美国梅奥诊所Kaul等报告，MIRAI在预测五年总体及浸润性乳腺癌风险方面表现出比临床模型更强的区分准确度，但高估了两种乳腺癌终点事件的风险。在应用前，基于人工智能（AI）的风险模型应综合考虑其对浸润性癌症的区分准确度和校准度。（J Natl Cancer Inst. 2026年3月26日在线版）

与临床风险模型相比，基于AI的乳腺X线摄影乳腺癌风险预测模型显示出更高的区分准确度。然而，关于其校准度的数据有限。本研究比较了三种临床乳腺癌风险模型与MIRAI AI风险模型的性能。

研究从一个包含12 308名女性的筛查乳腺X线摄影队列中获取了数字化乳腺X线摄影数据，其中250例女性在五年内罹患乳腺癌。研究者预测了五年乳腺癌风险，并评估了模型对总体乳腺癌和浸润性乳腺癌风险的区分度（C-指数）和校准度（观察值与预期值之比，O/E），使用自举法比较了估计值。

与临床模型（总体乳腺癌：C-指数为0.59~0.68；浸润性乳腺癌：C-指数为0.60~0.68）相比，MIRAI在预测总体乳腺癌风险（C-指数为0.71，95%CI 0.68~0.74）和浸润性乳腺癌风险（C-指数为0.71，95%CI 0.67~0.75）方面表现出相似或更高的区分准确度。在总体乳腺癌风险（O/E=0.96，95%CI  0.85~1.08）的校准度方面，MIRAI优于Gail模型（O/E=1.22，95%CI  1.07~1.38）和BCSC模型（O/E=1.38，95%CI  1.22~1.56），但与结合了乳腺体积密度百分比和多基因风险（O/E=0.99，95%CI  0.87~1.13）评分的Tyrer-Cuzick (TC) v8模型相似。然而，对于低风险女性（约50%），MIRAI高估了总体乳腺癌风险。此外，MIRAI在整个风险范围内均高估了浸润性乳腺癌的风险（O/E=0.68，95%CI  0.58~0.78），而临床模型显示出良好的校准度（O/E为0.86~0.99）。

（编译 黄建辉）