BMJ人工智能的大饼画圆了没有在乳腺癌筛
乳腺癌的筛查的益处不言而喻，各个国际都引入了乳腺癌的早诊早治的理念和乳腺癌筛查项目。筛查存在的问题无外乎是筛查过度（overdiagnosisandovertreatment）和筛查漏诊。关于过度诊断的数据不一，从1%-54%。筛查出的不同疾病的患者整体获益不同，比如：低级别导管原位癌的检出更可能与过度诊断相关，而3级癌症的检出更可能与降低死亡相关。目前乳腺癌筛查的阳性率为：0.6%～0.8%，但是也因为主观和客观原因，有15%-35%的漏诊率。
使用人工智能(AI)来补充人类的工作或取代人类的工作已经显示出相当大的潜力。年，全球3.8%的Scopus同行评审科学出版物与AI相关。有研究发现使用AI进行乳腺筛查的图像识别比有经验的放射科医师更好，并将解决当前程序的一些局限性。由于AI算法不受疲劳或主观诊断的影响，因此遗漏的癌症可能较少，AI可能会减少工作量或完全取代放射科医生。
然而，AI也可能加剧筛查的危害。例如，如果AI能差异性地检测到更多的微钙化（与低级别导管原位癌相关），则AI可能会改变乳腺筛查时检测到的疾病谱。在这种情况下，AI可能会增加过度诊断和过度治疗的发生率，并改变筛查为整体人群带来的获益和危害的平衡。
尸检研究表明，约4%的女性携带乳腺癌，但死于非乳腺癌原因。因此AI可能检测到的临床上不重要的疾病的“储存库”如偶发原位癌。
疾病谱与乳腺钼靶特征相关（例如，导管原位癌通常与微钙化相关）。因此，AI系统的training情况和AI系统内的结构可能会对检测到的疾病谱产生相当大的影响。AI系统中的这些结构和算法并不总是透明或可解释的，使得解释成为一个潜在的问题。与人类理解力不同，算法如何或为什么做出决定可能很难理解（被称为“黑盒”问题）。与人类决策者不同，算法不理解所观察图像的上下文、收集方式或含义，这可能导致“shortcut”learning，由此深度神经网络通过“shortcut”learning而不是预期的解决方案对问题得出结论。尽管这个问题并不排除使用深度学习，但它强调了避免训练数据中潜在混杂因素、理解算法决策和严格评价的关键作用的重要性。
《BritishMedicalJournal》杂志于年9月1日在线发表了一篇综述，该综述受英国国家筛查委员会的委托，旨在确定是否有足够的证据将AI用于乳腺筛查实践中的乳腺钼靶图像分析。目的是评估AI在纳入乳腺筛查项目时检测乳腺癌的准确性，重点
