各位哥哥姐姐弟弟妹妹大家好！我们的AI与医学期刊分享来啦~这是第三周的第二篇顶刊分享

【Ai医学 顶刊速递】

探索乳腺癌的个性化新辅助治疗选择策略：一种可解释的多模式反应模型
https://doi.org/10.1016/j.eclinm.2025.103356
IF: 10.0 Q1

【背景】：乳腺癌的新辅助治疗（NAT）方案通常根据癌症分期和分子亚型来确定，而没有充分考虑患者之间的差异，这可能导致效率低下或过度治疗。人工智能 （AI） 可以通过学习 NAT 前个体患者数据、方案以及相应的短期或长期治疗反应之间的协同关系来支持个性化方案建议。

【方法】：在这项回顾性研究中，收集了 2000 年至 2020 年间来自荷兰和美国接受 NAT 治疗的乳腺癌患者的数据。分子亚型和队列的中位随访时间为 3·7 至 4·9 年。开发并外部验证了一种多模态模型，该模型集成了 NAT 前临床数据、动态对比增强 （DCE）-MRI 图像和医学报告，以预测病理完全缓解 （pCR） 和 NAT 后生存的可能性。随后，评估了接受根据这些预测推荐的个性化方案的患者的潜在益处。

【发现】：在 655 名患者身上训练了模型，并在内部（655 名患者）和外部（241 名患者）队列中对其进行了验证。给定事实方案，该模型可以正确预测相应的治疗反应，受试者工作特征曲线下面积（AUC）分别为 0·80（95%CI 0·73-0·87）、0·75（0·66-0·83）和 0·85（0·77-0·92）人表皮生长因子受体 2（HER2）+的 pCR 预测，三阴性， 和雌激素受体/孕激素受体 （ER/PR）+&HER2− 患者分别在内部验证队列中。外部验证队列中相应分子亚型的表现分别为 0·707 （0·557–0·836）、0·558 （0·359–0·749） 和 0·860 （0·767–0·945）。在内部验证队列中，生存预测确定了不同分子亚型的高危患者，风险比 （HR） 为 3·29 （0·91–11·94） （HER2+）、3·54 （1·52–8·20）（三阴）和 2·78 （1·45–5·31） （ER/PR+&HER2−），尽管结果对 HER2+ 癌症并不显著。

【解释】：研究结果表明，反应模型生成的预后评分可以识别出在实际治疗下结果相对较差的患者亚组。这些初步发现可能为未来超越癌症分期和亚型等传统标准的个性化 NAT 方案选择提供信息，但应谨慎解释并在随访时间较长的前瞻性研究中进行验证，因为这些肿瘤可能会在后期复发。

各位哥哥姐姐弟弟妹妹大家好！我们的AI与医学期刊分享来啦~这是第二周的第二篇顶刊分享

【Ai医学 顶刊速递】

【文章标题】：人工智能增强心电图识别性别相关心血管风险连续体：一项回顾性队列研究
DOI: 10.1016/j.landig.2024.12.003

【背景】：女性在心血管医学中的服务通常不足。使用性别作为风险分层的二分变量无法捕捉到每种性别中风险的异质性。我们旨在开发一种人工智能增强心电图 （AI-ECG） 模型来研究性别特异性心血管风险。

【方法】：在这项回顾性队列研究中，我们训练了一个卷积神经网络，使用 12 导联心电图 （ECG） 对性别进行分类。Beth Israel Deaconess Medical Center （BIDMC） 二级保健数据集，包括 2000 年 5 月至 2023 年 3 月期间在美国马萨诸塞州波士顿的一家医院环境中进行的临床指示心电图的个人的数据，是派生队列（1 163 401 个心电图）。该数据集的 50% 用于模型训练，10% 用于验证，40% 用于测试。使用英国生物样本库队列进行外部验证，包括来自 2006-10 年注册时 40-69 岁志愿者的数据（42 386 个心电图）。我们检查了 AI-ECG 预测的性别（连续）和生物性别（二分法）之间的差异，称为性别不一致评分。

【发现】：AI-ECG 准确识别了性别（BIDMC 的受试者工作特征下面积为 0·943 [95% CI 0·942–0·943]，英国生物样本库为 0·971 [0·969–0·972]）。在心电图正常的 BIDMC 门诊患者中，性别不一致评分增加与女性 （风险比 [HR] 1·78 [95% CI 1·18–2·70]，p=0·006） 但男性 （1·00 [0·63–1·58]，p=0·996）的协变量调整后心血管死亡风险增加相关。在英国生物样本库队列中，也出现了相同的模式（女性 HR 1·33 [95% CI 1·06–1·68]，p=0·015;男性 0·98 [0·80–1·20]，p=0·854）。在 BIDMC 队列中，性别不一致评分较高的女性更有可能在未来发生心力衰竭或心肌梗死，并且在两个队列中具有更多的男性心脏 （增加左心室质量和腔室容积） 和非心脏表型 （增加肌肉质量和体脂百分比降低）。

【解释】：性别不一致评分是一种新型 AI-ECG 生物标志物，能够识别心血管风险不成比例升高的女性。AI-ECG 有可能识别可能从增强的危险因素改变或监测中受益的女性患者。

各位哥哥姐姐弟弟妹妹大家好！我们的AI与医学期刊分享来啦~这是第一周的第二篇顶刊分享

【Ai医学 顶刊速递】

【文章标题】：人工智能乳房 X 光检查筛查试验 （MASAI） 中检测到的乳腺癌的筛查性能和特征：一项随机、对照、平行组、非劣效性、单盲、筛查准确性研究

来源: The Lancet Digital Health IF=24.1

【文章背景】：新出现的证据表明，人工智能 （AI） 可以提高乳房 X 光检查中的癌症检测率，同时减少屏幕读取工作量，但需要进一步了解临床影响。

【文章方法】：在瑞典国家筛查计划内进行的这项随机、对照、平行组、非劣效性、单盲、筛查准确性研究中，在瑞典西南部的四个筛查地点（马尔默、隆德、兰斯克鲁纳和特雷勒堡）招募的符合乳房 X 光检查筛查条件的女性被随机分配 （1：1） 到 AI 支持的筛查或标准双读。AI 系统（Transpara 版本 1.7.0 ScreenPoint Medical，奈梅亨，荷兰）用于将筛查检查分类为单读数或双读数，并作为检测支持突出显示可疑结果。这是对召回率、癌症检测、假阳性率、召回阳性预测值、检测到的癌症类型和阶段以及屏幕读取工作量的次要结果测量的协议定义的分析。此试用版的注册日期为 ClinicalTrials.gov， NCT04838756，并且不开放累积。

【文章结果】：在 2021 年 4 月 12 日至 2022 年 12 月 7 日期间，105 934 名女性被随机分配到干预组或对照组。19 名女性被排除在分析之外。中位年龄为 53·7 岁 （IQR 46·5–63·2）。对 53 043 名参与者进行 AI 支持的筛查，发现 338 例癌症和 1110 例召回。对 52 872 名参与者进行标准筛查，发现 262 例癌症和 1027 例召回。干预组癌症检出率为每 1000 名筛查参与者 6·4 （95% CI 5·7-7·1），对照组每 1000 名参与者 5·0 （4·4-5·6），比率为 1·29（95% CI 1·09-1·51;p=0·0021）。AI 支持的筛查导致浸润性癌的检出率增加 （270 vs 217，比例比为 1·24 [95% CI 1·04–1·48]），主要是小淋巴结阴性癌症 （T1 增加 58 例，淋巴结阴性 46 例，非管腔 A 增加 21 例）。AI 支持的筛查还导致原位癌的检出率增加（68 vs 45，比例比为 1·51 [1·03–2·19]），其中约一半的增加检出率是高级别原位癌（核 III 级增加 12 例，核 I 级没有增加）。干预组的召回率和假阳性率没有显著升高（比率分别为 1·08 [95% CI 0·99–1·17;p=0·084] 和 1·01 [0·91–1·11;p=0·92]）。与对照组相比，干预组的召回率阳性预测值显著升高，比率为 1·19 （95% CI 1·04–1·37;p=0·012）。干预组有 61 248 次屏幕阅读，对照组有 109 692 次，导致屏幕阅读工作量减少了 44·2%。

【文章分析】：研究结果表明，AI 有助于临床相关乳腺癌的早期检测，并在不增加假阳性的情况下减少屏幕读取工作量。

各位哥哥姐姐弟弟妹妹大家好！我们的AI与医学期刊分享来啦~这是第一周的第一篇顶刊分享[嘿哈][嘿哈][嘿哈]

【Ai医学 顶刊速递】

来源: radiology IF=15.2

【文章标题】通过基础分割模型和多模态分析进行基于 MRI 的卵巢病变分类：一项多中心研究

【材料和方法】：在这项回顾性研究中，分析了来自一家主要机构（2008 年 1 月至 2019 年 1 月）和两家外部机构（2010 年 1 月至 2020 年 10 月）的卵巢病变患者的多参数 MRI 数据集。使用 Meta 的 Segment Anything Model （SAM） 自动分割病变。然后对结合成像和临床数据的 DenseNet-121 深度学习 （DL） 模型进行外部训练和验证，用于卵巢病变分类。放射科医生使用卵巢附件报告和数据系统进行 MRI 和主观评估对病变进行评估，将其分类为良性或恶性。使用 DeLong 检验比较 DL 模型和放射科医生的分类性能。

【结果】：主要数据集包括来自机构 A（美国）的 448 名女性（平均年龄，52 岁± 15 岁 [SD]）的 534 个病灶，而外部数据集包括来自机构 B（美国）的 55 名女性（平均年龄，51 岁± 19 岁）的 58 个病灶和来自机构 C（台湾）的 29 名女性（平均年龄，49 岁± 10 岁）的 29 个病灶。SAM 辅助分割的 Dice 系数为 0.86–0.88，与手动分割相比，每个病灶的处理时间减少了 4 分钟。DL 分类模型在内部测试中实现了受试者工作特征曲线下面积（AUC）为 0.85（95%CI：0.85,0.85），在两个具有 SAM 分割图像的外部数据集中实现了 0.79（95%CI：0.79、0.79 和 0.78、0.79），与放射科医生的表现相当（AUC：0.84–0.93;所有 P > .05）。

【结论】：这些结果描述了一个准确、高效的管道，该管道将 SAM 与基于 DL 的分类相结合，用于在 MRI 扫描中区分卵巢恶性和良性病变。它减少了分割时间，并实现了与放射科医生相当的分类性能。