AI模型MIRA预测乳腺癌风险
AI模型MIRA预测乳腺癌风险的核心信息是什么？
临床上，Gail模型、BCSC v3模型、Tyrer-Cuzick（TC）v8模型等工具，常被用来评估女性未来患浸润性乳腺癌的风险。根据美国临床肿瘤学会（ASCO）和USPSTF建议，若女性5年风险≥3%或10年风险≥5%，可考虑使用预防性药物。近年来，基于人工智能（AI）的影像风险评估模型不断涌现。2026年3月26日，一篇发表于《JNCI: Journa...
临床上，Gail模型、BCSC v3模型、Tyrer-Cuzick（TC）v8模型等工具，常被用来评估女性未来患浸润性乳腺癌的风险。根据美国临床肿瘤学会（ASCO）和USPSTF建议，若女性5年风险≥3%或10年风险≥5%，可考虑使用预防性药物。近年来，基于人工智能（AI）的影像风险评估模型不断涌现。 属于「ONCO前沿」分类。 关键词：人工智能、乳腺癌、风险评估。
本文核心问答
Q1: 这篇资讯的核心内容是什么？
临床上，Gail模型、BCSC v3模型、Tyrer-Cuzick（TC）v8模型等工具，常被用来评估女性未来患浸润性乳腺癌的风险。根据美国临床肿瘤学会（ASCO）和USPSTF建议，若女性5年风险≥3%或10年风险≥5%，可考虑使用预防性药物。近年来，基于人工智能（AI）的影像风险评估模型不断涌现。
Q2: 本文属于哪个学科分类，涉及哪些关键词？
本文属于「ONCO前沿」分类，涉及关键词：人工智能、乳腺癌、风险评估。
Q3: 这篇资讯的发布时间是什么？
本文发布于1779096600，来源为TalkMED拓麦医学资讯平台。
临床上，Gail模型、BCSC v3模型、Tyrer-Cuzick（TC）v8模型等工具，常被用来评估女性未来患浸润性乳腺癌的风险。根据美国临床肿瘤学会（ASCO）和USPSTF建议，若女性5年风险≥3%或10年风险≥5%，可考虑使用预防性药物。近年来，基于人工智能（AI）的影像风险评估模型不断涌现。2026年3月26日，一篇发表于《JNCI: Journal of the National Cancer Institute》的研究“Performance of Clinical Breast Cancer Risk Prediction Models Versus a Mammography-Based Artificial Intelligence Risk Model”指出，在12,308名筛查女性中，AI模型MIRAI对5年内乳腺癌风险的区分能力（C-index=0.71）优于Gail等临床模型，但其对浸润性乳腺癌的风险预测存在明显高估（观测/期望比=0.68）。
本研究纳入了梅奥诊所生物样本库（Mayo Clinic Biobank）中12,308名女性，中位随访11.1年，共发生250例乳腺癌（其中176例为浸润性）。研究者比较了四种模型对5年内乳腺癌风险的预测表现：
临床模型：Gail、BCSC v3、TC v8
AI模型：MIRAI
评估指标包括：
区分能力（C-index）：模型能否正确区分“会得癌”和“不会得癌”的人
校准度（O/E比）：预测的发生人数与实际发生人数是否一致
对于总体乳腺癌，MIRAI的C-index为0.71（95% CI: 0.68–0.74），显著高于Gail模型的0.58（0.54–0.61）和BCSC模型的0.64（0.60–0.67）
对于浸润性乳腺癌，MIRAI的C-index为0.72（0.68–0.75），同样优于Gail（0.59）和BCSC（0.65）
与TC模型相比，MIRAI的区分能力也更强（TC单独：C-index=0.60；TC+BI-RADS密度：0.64；加入PRS后TC模型提升至0.68，与MIRAI无显著差异）
校准度是临床决策的生命线。如果模型高估风险，低风险女性可能被过度干预；如果低估，高危女性可能错失预防机会。
对于总体乳腺癌：
MIRAI校准较好：O/E=0.96（95% CI: 0.85–1.08）
Gail模型高估风险：O/E=1.22（1.07–1.38）
临床模型：Gail、BCSC v3、TC v8
但问题出在低风险人群：在风险最低的50%女性中，MIRAI明显高估了风险。最低的第3–5个风险十分位中，O/E比仅为0.39、0.54、0.60。
对于浸润性乳腺癌：
MIRAI表现更差：O/E=0.68（0.58–0.78），意味着预测的浸润癌人数比实际多出近50%
而Gail（O/E=0.86）、BCSC（O/E=0.98）和TC+BI-RADS（O/E=0.99）校准良好
MIRAI最初是为预测总体乳腺癌（含导管原位癌DCIS）开发的，本研究首次系统评估其对浸润性癌的预测，发现校准更差。MIRAI的风险评分中，超过80%的变异无法用已知临床风险因素解释（如年龄、家族史、乳腺密度、PRS等）。临床模型中，这些因素可解释67%–90%的评分变异；而MIRAI仅能解释18.6%。说明MIRAI捕捉到的是影像中尚未被临床认知的纹理或微观特征，这些特征可能与总体癌风险相关，但与浸润性癌的关联尚不明确。
图1. 按风险十分位划分的总体乳腺癌（BC）观测风险与预期风险
图2. 按风险十分位划分的浸润性乳腺癌（BC）观测风险与预期风险
图3. 临床模型与MIRAI前20%百分位配对组合下的浸润性乳腺癌5年累积发病率
图4. 所有临床风险因素联合解释的风险评分变异比例
（A）全样本（N=12308）
（B）包含完整家族史信息的缩减样本（N=10123）
＋
短评与讨论
MIRAI在区分能力上优于传统模型，再次验证了深度学习挖掘隐含风险特征的潜力。然而，本研究的警示在于：区分能力与校准度是两回事。一个模型能“排对序”，不代表它给出的“绝对数字”可信。尤其值得关注的是，MIRAI对浸润性癌的高估更为严重，而临床指南恰恰以浸润性癌为干预目标。这提示我们：AI模型在临床落地前，必须针对具体决策终点，进行独立验证和校准。技术领先不等于临床适用，盲目部署未经校准的“黑箱”模型，可能制造新的过度医疗风险。
参考文献
1. Medha, Kaul,Christopher G, Scott,Alena, Wadzinske et al. Performance of clinical breast cancer risk prediction models versus a mammography-based artificial intelligence risk model.[J] .J Natl Cancer Inst, 2026.
撰写丨陈博
责任编辑丨郭筝
版权声明：本平台旨在帮助医疗卫生专业人士更好地了解相关疾病领域最新进展。本平台对发布的资讯内容，并不代表同意其描述和观点，仅为提供更多信息。若涉及版权问题，烦请权利人与我们联系，我们将尽快处理。仅供医疗卫生专业人士为了解资讯使用，该等信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议。如该等信息被用于了解资讯以外的目的，本平台及作者不承担相关责任。合作联系邮箱：ONCO@edoctor.work。
点击"阅读原文"即可看原文
引用格式：AI模型MIRA预测乳腺癌风险. 发布日期：1779096600. 来源：TalkMED拓麦. URL: https://portal.talkmed.com/news/3939
分享
收藏
点赞
