《Nature Communications》：An interpretable AI system reduces false-positive MRI diagnoses by stratifying high-risk breast lesions
编辑推荐：
本研究针对乳腺MRI诊断中BI-RADS 4类病灶假阳性率高、观察者间差异大的临床挑战，开发了基于基础模型的BL4AS人工智能系统。通过多中心2,803个病灶验证，系统AUC达0.892-0.930，特异性显著提升至0.889（医师0.491），使医师诊断准确率提升，假阳性率降低27.3%，为精准乳腺癌管理提供新工具。
在乳腺癌的早期诊断领域，磁共振成像(MRI)技术虽然具有高灵敏度，却长期面临着假阳性率过高和诊断一致性不足的临床困境。特别是被划分为BI-RADS(Breast Imaging Reporting and Data System) 4类的可疑病灶，这类"灰色地带"的病变使得临床决策陷入两难：过度活检会增加患者身心负担，而漏诊则可能延误治疗。目前放射科医师对BI-RADS 4类病灶的诊断存在显著差异，导致不必要的活检率居高不下，这一问题已成为提升乳腺癌诊疗质量的关键瓶颈。
为破解这一难题，研究团队开发了名为BL4AS(BI-RADS 4 Lesions Analysis System)的人工智能辅助诊断系统。该系统基于深度学习中的基础模型(foundation models)架构，创新性地利用了动态对比增强MRI(dynamic contrast-enhanced MRI)提供的丰富时空信息，通过对病灶增强模式的深度解析，实现了对BI-RADS 4类病灶的精准风险分层。
本研究基于来自2,686例女性的2,803个病灶的多中心数据集进行模型训练与验证。结果显示，BL4AS系统在测试集上表现出色，曲线下面积(AUC)达到0.892-0.930，显著优于放射科医师的独立诊断。特别值得注意的是，该系统在特异性指标上取得突破性进展，达到0.889，而放射科医师的平均特异性仅为0.491，差距悬殊。
在临床应用层面，BL4AS系统展现出强大的辅助诊断价值。无论是资深医师还是初级医师，在BL4AS的辅助下诊断准确率均获得显著提升。系统将观察者间变异性降低了24.5%，同时将假阳性率削减了27.3%，这一改进对减少不必要活检具有重要临床意义。
更为重要的是，BL4AS系统实现了对BI-RADS 4类病灶的精细化亚分类，将其进一步划分为4A、4B和4C三个风险等级，为临床提供了更为精确的风险评估工具。这种分层管理策略使得低风险病灶(4A)可以避免过度治疗，而高风险病灶(4C)则能获得及时干预，真正实现了乳腺癌的精准化管理。
关键技术方法方面，研究主要依托多中心回顾性队列（包含2,803个经病理证实的病灶），采用动态对比增强MRI的全时序分析技术，基于基础模型架构开发病灶特征提取算法，并通过受试者工作特征曲线评估系统性能，最后采用统计学方法验证系统对医师诊断水平的提升效果。
研究结果
系统性能验证
通过多中心数据验证，BL4AS系统在鉴别良恶性病灶方面展现出稳定的诊断效能，AUC值在0.892-0.930之间波动，显著优于传统诊断模式。系统在保持高敏感度的同时，将特异性提升至0.889的优异水平。
医师辅助诊断效果
BL4AS系统与放射科医师的协同工作模式显著提升了诊断质量。数据显示，系统辅助下医师的诊断准确率得到普遍提高，其中观察者间差异降低24.5%，体现了系统在标准化诊断流程方面的突出价值。
风险分层应用
系统创新的亚分类功能将BI-RADS 4类病灶细分为4A、4B、4C三个亚类，分别对应低、中、高不同风险等级。这一分类体系与病理结果具有良好的一致性，为临床决策提供了可靠依据。
本研究通过开发BL4AS人工智能系统，成功解决了乳腺MRI诊断中的关键难题。系统不仅显著降低了假阳性率和观察者间变异性，更通过风险分层实现了精准化管理。这一研究成果为乳腺癌的早期诊断提供了新的技术路径，对优化医疗资源配置、提升患者诊疗体验具有重要意义。该系统的推广应用有望改变当前乳腺影像诊断的临床实践，推动乳腺癌诊疗向更加精准、个性化的方向发展。
