Lambらは､ マンモグラフィにおける判断基準について､ AIによるリスクモデルと乳房濃度による判定の､ 乳癌予測精度を比較した｡ その結果､ AIによる3段階のリスク分類は､ 乳房濃度より有意に高い乳癌識別精度を示した｡ また､ AIリスクモデルでは､ 高リスクになるほど偽陰性率が上昇した (1,000検査あたりの偽陰性 : 高リスク群2.1件､ 中間リスク群1.0件､ 低リスク群0.6件)｡ 一方､ 乳房濃度では､ 高濃度乳房では非高濃度乳房より偽陰性率が高かった (高濃度乳房1.7件､ 非高濃度乳房0.6件､ p<0.001)｡ 試験結果はJAMA Netw Open誌に発表された｡ 

📘原著論文

A Deep Learning Breast Cancer Risk Model for Precise Supplemental Screening. JAMA Netw Open. 2026 May 1;9(5):e2610559 PMID: 42081242

👨‍⚕️HOKUTO監修医コメント

偽陰性症例数が比較的少なく､ サブグループ解析における推定精度に限界がありました｡

関連コンテンツ

AI支援マンモグラフィ､ 中間期癌で非劣性

Lancet. 2026 Jan 31;407(10527):505-514.

AIが乳癌診断を支援､ 不要な生検を6割削減

J Clin Oncol. 2025 Nov 10;43(32):3482-3493.

高濃度乳腺女性の検診､ マンモグラフィと併用すべき画像検査は？

Lancet. 2025 May 31;405(10493):1935-1944.

背景

乳房濃度は主観的で精度に限界あり

乳房濃度は乳癌リスクと検出困難性に関係するが､ ｢高/非高濃度｣ の二分法は主観的でばらつきが大きく精度に限界がある｡

本研究では､ 将来の乳癌および偽陰性予測について､ AIによる深層学習モデルと放射線科医による乳房濃度評価の性能を比較した｡

研究デザイン

AIリスクモデルと乳房濃度による乳癌予測精度を比較

本後ろ向きコホート研究では､ 2009~18年に5施設で実施された30歳以上女性の連続両側マンモグラフィを対象とし､ 2023年まで追跡した｡ 曝露はAIリスクモデルと､ BI-RADSによる乳房濃度とした｡

主要アウトカムは5年以内の乳癌と､ 1年以内に診断に至った偽陰性とし､ AIリスクモデルでは低リスク (1.7％未満) /中リスク (1.7~3.0％) /高リスク (3.0％超) の3群に分類し､ 各リスク群での発生率および偽陰性率と予測精度をAUROC (DeLong検定) で比較した｡

結果

AIモデルでより高い乳癌予測精度

6万7,019例の女性の12万3,091件のマンモグラフィが対象となった｡ このうち､ 5万974件 (41.4％) が高濃度乳房に分類された｡

将来の乳癌予測において､ AIリスクモデルは乳房濃度より有意に高い識別精度を示した｡

乳癌予測精度 (AUROC)

• AIリスクモデル : 0.71 (95％CI 0.70-0.72)
• 乳房濃度 : 0.53 (95％CI 0.52-0.54)

　p<0.001

AIモデル高リスクほど偽陰性率上昇

AIリスクモデルでは､ 高リスク分類ほど偽陰性率は上昇した｡ また高濃度乳房の女性では､ 非高濃度乳房の女性より偽陰性率が高かった (p<0.001)｡ AIリスクモデルに乳房濃度を追加しても､ 性能の改善は認められなかった｡

偽陰性(1,000検査あたり)

• AI高リスク群 : 2.1件
• AI中間リスク群 : 1.0件
• AI低リスク群 : 0.6件
• 高濃度乳房 : 1.7件
• 非高濃度乳房 : 0.6件

結論

画像検査判断基準は精密な画像由来リスクモデルへ移行すべき

著者らは､ ｢AIリスクモデルは､ 将来の乳癌および偽陰性の予測において乳房濃度より高い性能を示した｡ この結果は､ 補助画像検査の判断基準を､ 乳房濃度からより精密な画像由来リスクモデルへ移行すべきことを示唆している｣ と報告している｡