钼靶是一种常用但并不完善的评估乳腺癌风险的方法，当前美国乳腺癌筛查指南还使用乳腺癌风险预测模型指导临床实践，改善的风险模型使得目标筛查策略比目前指南能更早检测乳腺癌并减少筛查危害。为了将基于乳腺钼靶的人工智能深度学习风险模型引入临床实践，需进一步完善其准确性，并在不同人群中验证其有效性。美国哈佛大学麻省理工学院电子工程与计算机科学系联合瑞典卡罗琳斯卡医学院的影像生理学、肿瘤病理学及台湾长庚纪念医院医学影像及介入科研究人员分别采用麻省总医院（MGH）的210 819次和25 644次连续钼靶筛查数据，利用人工智能机器学习算法建立并验证Mirai模型预测未来乳腺癌发病风险，随后分别采用MGH、卡罗琳斯卡大学医院（KUN）和台湾长庚纪念医院（CGMH）连续乳腺钼靶数据进行测试。结果显示，在MGH测试集中，Mirai预测模型的C指数及5年预测ROC曲线下面积（AUC）分别为0.76（95%CI：0.74~0.80）和0.76（95%CI：0.73~0.80），均优于混合深度学习模型（C指数：0.72，95%CI：0.69~0.75；AUC：0.72，95%CI：0.69~0.76）、影像深度学习模型（C指数：0.72，95%CI：0.69~0.75；AUC：0.73，95%CI：0.70~0.77）及Tyrer-Cuzick模型（C指数：0.64，95%CI：0.60~0.67；AUC：0.62，95%CI：0.59~0.66）。在KUH和CGMH测试集中，Mirai预测模型的一致性及5年ROC-AUC也均高于影像深度学习模型。在MGH测试集中，Mirai模型能将41.5%（95%CI：34.2~48.5）的5年内发展为乳腺癌的患者确定为高风险患者，均高于混合深度学习模型（39.7%，95%CI：32.9%~46.5%）、影像深度学习模型（36.1%，95%CI：29.1%~42.9%）和Tyrer-Cuzick模型（22.9%，95%CI：15.9%~29.6%）（P<0.001）。对于全部数据集，Mirai模型预测性能均优于上述其他预测模型，且确定乳腺癌高风险患者的准确性也显著较高。该研究结果也提示基于乳腺钼靶人工智能深度学习模型可能有助于制定新的乳腺癌筛查指南。
