共计 929 个字符，预计需要花费 3 分钟才能阅读完成。
一项最新研究表明，人工智能（AI）技术有望通过分析乳腺 X 光片来准确评估女性的心血管疾病风险。这项研究于 9 月 16 日发表在《心脏》杂志上，由澳大利亚悉尼乔治全球健康研究所的 Clare Arnott 博士领导的研究团队完成。
研究团队开发了一种基于乳腺 X 光片特征和年龄的深度学习算法，用于预测心血管风险。该算法的预测效果与传统的心血管风险方程相当。Arnott 博士在接受《AuntMinnie》采访时表示：’ 我们可能发现了一种双重筛查测试。希望可以将其以自动化方式整合到乳腺筛查中心。’ 她进一步解释道，被识别为中等或高风险的女性随后可以接受初级保健医生的详细心血管风险评估。
这项研究的理论基础源于先前的研究发现：乳腺动脉钙化（BAC）与女性更高的心血管风险相关。这些钙化还与糖尿病、高血压和高胆固醇血症等血管风险因素有关。此外，其他乳腺 X 光片特征，如微钙化和乳腺密度，也可能与心脏代谢疾病风险和死亡率相关。
研究团队开发并验证了一种算法，用于预测接受常规乳腺癌筛查的女性的心血管风险。他们使用 DeepSurv 架构，结合乳腺 X 光片的放射组学数据和患者年龄来构建预测模型。研究涵盖了 49,196 名无心血管疾病史的女性，基线平均年龄为 59.6 岁，中位随访时间为 8.8 年。在此期间，3,392 名女性经历了首次重大心血管事件。
研究结果显示，仅使用乳腺 X 光片特征和患者年龄的 DeepSurv 模型的一致性指数为 0.72。相比之下，美国心脏协会的 ’Prevent’ 方程的一致性指数为 0.76（男性）和 0.79（女性）；新西兰的 ’Predict’ 模型指数为 0.73。后两种模型在各自的预测风险评估中使用年龄和临床变量。最终，团队结合临床特征和放射组学数据的综合模型达到了一致性指数 0.75。
Arnott 博士表示，该模型可以整合到常规乳腺癌筛查中，而不会中断乳腺 X 光片服务。’ 作为临床医生和公共卫生倡导者，我们有大量工作鼓励女性使用这种筛查，’ 她说。
目前，研究团队正在与乳腺筛查组织、女性和全科医生进行定性研究，以了解实施的障碍和促进因素。Arnott 博士透露：’ 接下来，我们将在全国乳腺筛查服务中进行实施试验 [在澳大利亚]。此外，我们正在与海外合作者合作，在其他人群中对算法进行外部验证。’
