共计 1147 个字符，预计需要花费 3 分钟才能阅读完成。
一项发表在《Heart》杂志上的研究发现，AI 算法仅通过分析常规乳腺 X 光片图像和年龄，就能像标准风险评估方法一样预测女性患主要心血管疾病的风险。这一突破性研究为女性提供了一种具有成本效益的“二合一”筛查选择。
研究人员指出，心血管疾病及其风险因素在女性中未被充分认识和治疗，现有的风险预测算法在女性中的表现也不尽如人意。虽然新的风险评分在女性中的表现优于男性，但这些评分复杂且依赖于广泛的医疗数据，而这些数据并不总是可用。
- 
- 
- 
- 
- 
- 
研究发现，乳腺动脉钙沉积（BAC）和组织密度与心血管疾病风险有关，但 BAC 与肥胖无关，且与吸烟呈负相关，这表明 BAC 本身并不有效。因此，研究人员着手研究是否可以通过 AI 自动分析常规乳腺 X 光片中的乳腺内部结构和特征，来更准确地预测心血管风险。
研究利用了 2009 年至 2020 年间在 Lifepool 队列注册中登记的 49,196 名平均年龄为 59 岁的女性数据。在登记时，这些女性提供了初始背景健康信息，包括年龄、吸烟状况、饮酒量、体重（BMI）、糖尿病史以及使用高血压和 / 或高胆固醇药物和血液稀释剂的情况。
在平均近 9 年的跟踪期内，3392 名女性首次出现心血管“事件”：冠状动脉疾病（2383 例）；心脏病发作（656 例）；中风（434 例）或心力衰竭（731 例）。
研究人员开发了一种 AI 算法，基于乳腺 X 光片图像中的乳腺内部结构和特征以及女性的年龄，预测 10 年内主要心血管疾病的风险。该 AI 算法与基于年龄和各种临床因素的现代风险评分相当，包括新西兰的“PREDICT”工具和美国心脏协会的“PREVENT”计算器。当加入各种临床因素时，其表现仅略好。
研究人员承认他们的发现存在一些局限性，包括不同扫描仪产生的数据不完全相同；用于比较的心血管风险因素依赖于自我报告；所有深度学习模型完全依赖于其训练数据集。
但他们表示：“我们开发的乳腺 X 光片模型的一个关键优势是，它不需要额外的病史采集或医疗记录数据，并利用了女性广泛使用的现有风险筛查过程。”
他们补充说：“乳腺 X 光检查有潜力成为一种‘二合一’风险评估工具，为社区和医疗系统提供效率。”
研究人员承认：“使用乳腺 X 光片图像预测心血管风险是新颖的，但使用机器学习模型进行心血管风险预测正在获得关注。”
在一篇相关社论中，悉尼大学的 Gemma Figtree 教授和 Stuart Grieve 博士指出，传统风险因素算法在女性中的表现不佳，加之女性自身和医疗系统对心脏病威胁的认识不足，使得问题更加严重。
他们写道：“与普遍认为的相反，乳腺癌仅占全球总死亡人数的约 10%，而心血管疾病导致的死亡人数更多。”
他们建议：“乳腺 X 光检查可能成为提高女性心血管风险和疾病意识的‘接触点’。”
但他们补充说：“对于显示出改善心血管风险评估潜力的新工具，实施仍然是一个挑战。”
