人工智能的前景并没有因为意识到已发表研究的局限性而减弱。利用人工智能，我们将解决早期乳腺癌检测和诊断准确性方面面临的挑战。

深度学习人工智能（artificial intelligence, AI）在医疗保健中的应用引起了极大关注的一个领域是医学成像，尤其是乳房X线摄影（mammography）。许多最初的人工智能研究表明，与放射科医生相比，准确度有了显著提高，但最近的一项系统性回顾强调，没有足够的科学证据支持这些发现。英国国家筛查委员会（UK National Screening Committee）委托Freeman与他的同事对评估人工智能算法准确性的研究的质量和结果进行审查，单独使用这些算法或与放射科医生一起，检测数字乳房X线摄影中的癌症；评估的36个人工智能系统中有34个不如一个放射科医生准确，所有系统的准确度都不如两个或两个以上放射科医生的一致意见。

这种情况让人想起计算机辅助检测（computer-aided detection, CAD）工具被吹捧为如何提高乳房X线摄影筛查的准确性。然而，随后的大规模研究表明，CAD工具在提高放射科医生诊断能力方面没有任何益处。深度学习模型可以CAD无法实现的方式扩展人类的视觉和知识，它将在新的应用中发挥最大潜能，而不仅仅是帮助放射科医生诊断癌症。研究表明，深度学习模型有潜力对低风险乳房X线摄影进行分类，保持敏感性，提高特异性和效率。但这些研究是基于回顾性的、电子数据资源，可能无法代表现实世界的临床实践。

乳房X线摄影筛查为人工智能提供了一个丰富的领域，因为有证据支持通过早期检测可以降低乳腺癌的发病率和死亡率，乳房X线摄影是目前检测临床前乳腺癌的最佳工具，并且它也是有缺陷的。人工智能有可能弥补这些缺陷，包括解释的巨大差异、假阳性和假阴性结果、总成本，以及由于缺乏专业放射科医生来解释乳房X线摄影，全球范围内的乳房X线摄影受到限制。

乳房X线摄影筛查有一些关键因素，使其适合于深度学习模型。筛查检测本身有一个二元结果（阴性或阳性）。通过筛查乳房X线摄影，患者要么被排除，要么再进行成像或活检。即使有了这些有限的参数，用于训练、测试和验证深度学习模型的方法在乳房X线摄影解释中也有很大的变化。在Freeman与他的同事的审查中，AI研究被认为方法学质量较差，因为研究设计是回顾性的，并且基于癌症富集样本、读者研究实验室效应、结果差异验证和随访不足，存在较高的偏倚风险。这些偏差可能导致对敏感性的高估和对特异性的低估。这一警告说明正是CAD研究中出现的情况。事实上，在CAD和人工智能工具中使用的方法有很多重叠。

深度学习模型的发展尚未在常规临床实践中得到实施和评估。我们可以从CAD应用于乳房X线摄影的历史中学习，并利用这些知识更快地将我们在人工智能方面的发现用于改善患者护理。未来的研究应该考虑如何设计最适合于深度学习模型的精准临床应用的研究。帮助放射科医生以更高的准确度解释乳房X线摄影的模型需要不同于完全取代筛查解释的研究设计。需要强调机器视觉和专家人眼视觉的融合。

人工智能的前景并没有因为意识到已发表研究的局限性而减弱。利用人工智能，我们将解决早期乳腺癌检测和诊断准确性方面面临的挑战。最终，需要来自大规模队列中最佳设计的前瞻性研究的令人信服的证据。

参考文献：Lehman CD, Topol EJ. Readiness for mammography and artificial intelligence[J]. Lancet,2021,398:1867.