乳腺筛查引入 AI,为什么要连同阅片流程一起试验?

一套影像模型能在历史图片上找到可疑区域,和一项筛查服务能够更好地运行,中间还隔着医生怎样使用结果、哪些检查进入复核、多少人需要进一步检查等环节。模型的分数经过这些环节,才可能影响参与者真正经历的医疗过程。

MASAI 研究的启发,在于它把 AI 放进前瞻性的筛查流程中比较,而非只问模型与医生在一批旧影像上谁的分类分数更高。本文讨论 2023 年发表的临床安全性中期分析,以及理解此类证据所需的方法。内容用于解释研究,不涉及个人筛查选择、诊断或治疗建议。

一位影像科医生背对镜头查看诊室里的匿名影像
AI 生成配图 · 医院纪实摄影 · 未完纪

研究对象是一套有分工的流程

MASAI 在瑞典的乳腺 X 线摄影筛查中随机分配参与者。对照组采用不使用 AI 的标准双人阅片;干预组由 AI 对检查评分并提供检测支持,再根据风险分流安排人工阅片。医生仍然参与判断与后续流程,不能把这项试验称为“AI 独立诊断与医生独立诊断的对决”。MASAI 2023 年论文

论文中的系统将风险分为不同等级,较低评分主要进入单人阅片,最高评分进入双人阅片。这样的设计把两种作用结合起来:模型帮助找可疑区域,也帮助分配阅读工作。因此,观察到的总体效果属于整套干预。仅凭两个试验组的差异,很难单独拆出风险分流与检测提示各自贡献多少。

这一点对复现非常重要。另一家机构即使购买同一模型,如果仍坚持所有检查双人阅读,或采用不同的提示显示方式,实施的就不是完全相同的干预。软件版本、评分阈值、读片人员培训以及意见不一致时的处理办法,都应该写进可审查的研究描述。

随机分配解决了什么,又没有解决什么

如果只把已经使用 AI 的医院与尚未使用的医院比较,病例构成、设备、医生经验和原有管理方式都可能不同。随机分配的价值,是让这些因素在两组间更有机会平衡,从而更清楚地估计提供该流程带来的变化。平衡并非保证每个小组数字都完全相同,而是给因果解释建立一个可论证的起点。

2023 年论文报告约八万名参与者被随机分配,临床安全性分析中两组各接近四万人。阅读研究时,需要区分随机分配人数与最终分析人数,理解排除记录、技术失败以及缺失数据怎样处理。若只挑能成功获得 AI 评分的影像分析,就可能把系统在真实流程中的困难删掉。

随机化也不会自动保证可迁移性。这些结果发生在特定国家的筛查项目和实施条件下。不同机构的人群构成、乳腺密度分布、既往影像可用性、设备类型和复核习惯,都可能改变系统表现。外部推广需要重新验证这些条件,而不是把试验中的平均数直接贴到另一套服务上。

打开 HTML 互动演示 · 同样的灵敏度和特异度,阳性构成会变吗?

每千人检出数,应该怎样读

中期分析报告,AI 支持组每千名参与者检出癌症约 6.1 例,对照组约 5.1 例;相应的检出例数为 244 与 203。两组检出率的比值点估计约为 1.2,但其不确定性也必须一并阅读。论文给出的比较概率值约为 0.052,不能把这组点估计简单改写成“已经证实检出率提高百分之二十”。

绝对量和相对量回答不同问题。以下是依据所报告点估计进行的尺度说明,而非额外试验结果:每千人 6.1 与 5.1 的差约为每千人 1 例。在一个纯假设的十万人群体中,若同样差异恰好成立,对应约一百例额外检出。这个乘法没有携带原结果的统计不确定性,也没有证明这些新增检出最终会带来多少健康收益。

临床安全性中期分析还依据预先设置的安全性标准理解检出率。预设标准能够减少看到数据后再挑选成功口径的空间。不过,“某项早期指标达到研究标准”与“所有临床结局都更好”仍是不同结论。尤其不能把筛查发现数量直接换算为死亡减少或寿命延长。

检出、召回与间期癌是不同的账

筛查中的阳性结果通常还需要进一步评估。召回率描述多少参与者被要求回来检查;假阳性反映最终没有确认目标病变却经历阳性筛查的情况;阳性预测值则关注被召回者中实际检出病变的比例。这些指标的分母不同,混用会造成误解。2023 年分析中,两组假阳性率均约为 1.5%,但这个数字不能替代其他代价指标。

发现更多病变,需要继续了解新增病变的性质与后续结局。有些差异可能体现更早发现有临床意义的疾病,也需要考虑额外检查和对不同病变类型的识别差异。单一轮次的检出率无法完成这项判断。这里需要的是持续随访和预先定义的分析,而非依据某个代表性病例推断所有参与者的收益。

间期癌是两轮筛查之间、或研究规定的相应随访时段内出现而未在筛查中检出的癌症。观察它有助于评价一次“筛查阴性”后仍然遗漏了什么。2023 年中期分析尚未回答全部间期癌和长期结局问题。本文的证据范围也停留在这一版本,不用后来信息倒推当时已经知道的答案。

工作量下降不等于全部成本下降

论文报告,AI 支持流程的阅片工作量下降约 44.3%。这是一项有明确对象的结果,主要涉及需要完成的影像阅读工作,不能写成“医院总工作量减少一半”。软件接入、系统维护、异常记录排查、讨论和参与者后续检查,可能消耗其他资源,需要另外计量。

一个假设例子可以说明这种区别:某机构原来每一万次检查需要两万次初读,分流后初读次数明显减少,但若后续增加了人工核对和技术处理,总工时下降幅度就未必与初读次数相同。这里没有估计真实医院成本,只是在说明“次数”“时间”和“费用”三个指标不能相互替代。

读片次数减少还会改变人员经验的积累与任务分布。低风险影像较少进入双人阅读,双读队列可能集中更多困难检查。评价工作负荷时,既要数数量,也要观察每项任务的复杂程度和注意力要求。节省下来的时间如何使用,是实施决策;论文中的工作量变化本身并没有替管理者完成这一决策。

从算法分数到可复核的临床证据

CONSORT-AI 报告规范要求研究说明 AI 版本、输入处理、输出怎样参与决策,以及人机交互与错误分析。它的作用是帮助读者看清干预到底如何发生,而不是授予某个模型“已经安全”的认证。系统在无评分、输入质量不足或服务中断时怎样回到人工流程,也应是研究中可见的一部分。CONSORT-AI

DECIDE-AI 则强调早期真实临床评价中的使用环境与人的因素。影像提示可能引导医生关注正确区域,也可能让人忽略没有被标记的部分。研究不能只统计 AI 与最终判断一致多少次,还应检查人什么时候接受、覆盖或误解建议,以及这些互动如何关联错误。这样的分析有助于发现界面和培训需要改进的地方。DECIDE-AI

有竞争力的比较应保留现实中真正可行的基线:标准双人阅片、明确规则的分流安排,以及在相同资源下的其他组织改进。若一种方案读片次数少但不确定性更大,评价就需要把资源节省与尚待验证的结局同时呈现,避免仅用一个效率数字给整体结论定性。

这项试验最值得保留下来的尺度

MASAI 2023 年中期分析提供的,是在特定筛查项目中前瞻性测试 AI 支持流程的证据。它使问题从“模型能否识别影像”推进到“模型参与分工以后,服务表现怎样”,同时也留下需要随访和外部验证的问题。这种边界清楚的解释,反而比一个笼统的“超过医生”更有信息量。

2025 年 2 月 3 日,研究团队在线发布了覆盖整个试验队列的筛查表现分析。AI 辅助组每千次筛查检出 6.4 例,对照组为 5.0 例,检出率比为 1.29。这是全队列的筛查结果,样本与上文的 2023 年阶段性分析不同。按当时已经公开的资料,间期癌率仍需随访评估。MASAI 全队列筛查表现论文

继续追踪间期癌等预定结局,可以检验筛查性能的改善是否反映在两轮筛查之间确诊的病例上。研究还需要按有足够数据支持的人群和影像条件检查差异,并记录软件版本与阅片流程的变化。读者可以据此区分三类证据:一轮筛查能发现多少病例,某个受检者的诊断依据是什么,以及筛查方案对长期健康结局有什么影响。

AI 的临床价值由整个使用过程共同决定。一个可靠的阅片系统,不只在顺利运行时给出分数,还能让人清楚知道它读到了什么、没能处理什么,以及现有研究到底支持到哪里。

参考资料

© 版权声明
THE END
喜欢就支持一下吧
点赞27