在乳腺影像学领域，间隔期癌症一直是临床筛查中的难题。这类癌症在初始乳腺X光检查呈现阴性结果后、下一次常规筛查前出现，通常具有生长迅速和侵袭性强的特点。即使采用数字乳腺断层合成技术，间隔期癌症仍可能占临床漏诊的相当比例。
哈佛医学院放射学副教授Manisha Bahl博士团队在《放射学》期刊发表的最新研究显示，人工智能技术有望改变这一现状。该研究采用Lunit INSIGHT DBT算法对200多例间隔期癌症病例进行回顾性分析，这些病例的初始筛查均被判定为阴性。
Bahl博士在接受采访时表示：“我们的研究表明，人工智能算法能够在筛查DBT检查中检测并正确定位近三分之一的间隔期乳腺癌，这提示其有潜力降低间隔期癌症率并改善筛查结果。”研究数据显示，人工智能检测到的间隔期浸润性癌症在手术时体积更大，淋巴结阳性发生率更高。
该研究特别强调病灶级验证的重要性。与仅关注检查级指标的传统方法不同，Lunit INSIGHT DBT能够精确标记可疑区域，为放射科医生提供更可靠的参考依据。在1000例筛查检查的补充分析中，该算法准确定位了84.4%的筛查检测到的癌症。
人工智能在乳腺影像学中的应用不仅限于早期检测。随着数字乳腺断层合成成为美国的主流筛查方式，解读工作量显著增加。人工智能可以通过快速分析图像数据，标记可疑发现，帮助放射科医生提高工作效率。
Bahl博士团队还在探索人工智能在治疗决策中的作用，特别是在0期或高风险病变患者的风险分层方面。这一研究方向体现了人工智能在癌症管理全过程中的潜在价值。
间隔期癌症的检测始终是乳腺筛查中的挑战，但人工智能技术为放射科医生提供了新的工具。通过结合专业医疗经验与算法分析，像Lunit INSIGHT DBT这样的辅助系统正在提升筛查的准确性和效率，最终可能改善患者的诊疗结果。
