CGM第562期：迈向个体化乳腺癌筛查：关于风险预测人工智能模型的开发
荷兰NKI-AVL（荷兰癌症研究所—安东尼·范·列文虎克医院） · 博士后研究员
（Xin Wang），现荷兰NKI-AVL（荷兰癌症研究所—安东尼·范·列文虎克医院）的博士后研究员，致力于基于医学影像的乳腺癌筛查风险预测与个体化筛查人工智能研究。自 2020 年 11 月起在荷兰攻读博士学位，在 NKI-AVL 檀韬（Tao Tan）与 Ritse Mann 教授团队开展乳腺影像人工智能相关研究。2024 年 6 月起继续在 NKI-AVL 从事科研工作，参与荷兰aiEMBRaCE 项目，负责多中心乳腺癌筛查风险预测模型的开发与外部验证。研究方向：风险预测，多模态医学数据融合、纵向建模、临床可解释 AI。代表性成果：在纵向风险建模方面，提出基于多时间点乳腺 X 线筛查影像的风险预测方法，通过显式建模筛查影像随时间的演化规律，实现对未来短期至长期乳腺癌发生风险的评估（Multi-Time Point Breast Cancer Risk Prediction, MTP-BCR），并进一步引入序关系学习框架，对未来乳腺癌事件的时间分布进行建模与解释 。在影像风险表征方面，提出从乳腺 X 线影像中估计“乳腺年龄”的方法（Mammo-AGE），将复杂影像信息转化为具有生物学意义的量化指标，用于刻画个体风险差异并提升模型可解释性 。此外，通过对双侧乳腺影像不对称信息的建模，探索筛查影像中潜在异常结构的自动识别机制 。
乳腺癌筛查正逐步从以年龄为核心的群体化策略，转向基于个体风险评估的精准筛查模式。实现这一转变的关键在于充分挖掘筛查影像中与未来乳腺癌发生相关的特异性风险信息，而非仅依赖基于人群统计的风险因素。近年来，深度学习在乳腺影像分析中展现出良好潜力，但多数现有风险预测方法仍基于单次筛查影像，未能有效利用乳腺组织随时间演化所蕴含的纵向风险线索，限制了其在真实筛查场景中的应用价值。
本研究聚焦于纵向筛查影像建模与时间感知风险分层的乳腺癌筛查人工智能方法。通过对多时间点乳腺 X 线筛查影像进行联合建模，捕捉乳腺组织随时间变化的空间与结构模式，构建能够反映未来乳腺癌发生风险及其时间分布的预测模型。多中心数据验证表明，纵向建模可提升风险预测的稳定性与判别能力，并有助于形成更符合临床认知的风险解释，为风险分层驱动的个体化筛查策略提供方法学支持。
参考文献
- Xin Wang, Tao Tan, Yuan Gao, Hong-Yu Zhou, Tianyu Zhang, Luyi Han, Antonio Portaluri, Eric Marcus, Chunyao Lu, Caroline A. Drukker, Jonas Teuwen, Regina Beets-Tan, Shanshan Wang, Nico Karssemeijer, Ritse Mann. Mammo-AGE: deep learning estimation of breast age from mammograms. Nature Communications. 2025;16(1):10934. DOI: 10.1038/s41467-025-65923-5
- Xin Wang, Tao Tan, Yuan Gao, Ruisheng Su, Jonas Teuwen, Jaap Kroes, Tianyu Zhang, Anna D’Angelo, Luyi Han, Caroline A. Drukker, Marjanka K. Schmidt, Regina Beets-Tan, Nico Karssemeijer, Ritse Mann. Predicting short- to long-term breast cancer risk from longitudinal mammographic screening history. npj Breast Cancer. 2025;11(1):118. DOI: 10.1038/s41523-025-00831-x
- Xin Wang, Tao Tan, Yuan Gao, Eric Marcus, Luyi Han, Antonio Portaluri, Tianyu Zhang, Chunyao Lu, Xinglong Liang, Regina Beets-Tan, Jonas Teuwen, Ritse Mann. Ordinal Learning: Longitudinal Attention Alignment Model for Predicting Time to Future Breast Cancer Events from Mammograms. Medical Image Computing and Computer Assisted Intervention – MICCAI 2024. 2024:155-165. DOI: 10.1007/978-3-031-72378-0_15
- Xin Wang, Tao Tan, Yuan Gao, Luyi Han, Tianyu Zhang, Chunyao Lu, Regina Beets-Tan, Ruisheng Su, Ritse Mann. DisAsymNet: Disentanglement of Asymmetrical Abnormality on Bilateral Mammograms Using Self-adversarial Learning. Medical Image Computing and Computer Assisted Intervention – MICCAI 2023. 2023:57-67. DOI: 10.1007/978-3-031-43990-2_6
评论（0）
登录后即可发表评论。
登录暂无评论，来发表第一条评论吧！