2026 年 1 月 31 日,《柳叶刀》刊出瑞典 MASAI 试验的主要终点分析:105,934 名女性参与的这项随机试验里,AI 支持筛查组的间期癌率——筛查时未被发现、在两次筛查之间或末次筛查后两年内才确诊的癌,衡量筛查漏诊的最硬指标——为每千人 1.55 例,对照组 1.76 例,比值 0.88,落进预设的 20% 非劣界值;敏感度 80.5% 对 73.8%,特异度两组同为 98.5%。加上 2023 年的中期安全分析和 2025 年的完整筛查表现,乳腺筛查 AI 的随机证据链就此闭合,试验宣告完成。这是乳腺影像 AI 十年来第一次把"期末考"交完。
但试验过关只是收口的一半。同年发表的另一批研究,把"能不能用、怎么用、值不值"拆成了三个不同的问题——而最后一个问题,得到了两个方向相反的答案。
## 平均分 0.890,方差更大
2026 年 9 月,Diagnostics 刊出一篇覆盖 2015–2025 十年文献的系统综述与荟萃分析:26 项研究、27 篇报告,其中 14 项研究、1,214,885 次检查合算出 AI 独立阅片的汇总 AUC 为 0.890。分数看着漂亮。但同一篇荟萃还给出了另一组数字:研究间异质性 I² 高达 97.4%,95% 预测区间从 0.731 横跨到 0.960,而且发表年份和抽样方式都解释不了这份离散。双变量模型合算的敏感度为 73.3%、对应特异度 92.4%。
预测区间和置信区间不是一回事,值得说清楚:置信区间描述"平均分落在哪",预测区间描述"下一项新研究的成绩可能落在哪"。后者的含义很直接——0.890 是别人家的平均分;换到你的医院、你的设备、你的受检人群、你的阅片流程,成绩可能落在 0.731 到 0.960 之间的任何位置。文献里的平均分,和你将实际得到的分数,是两个统计量。
还有一层更容易被忽略的发现。按研究设计分层:三项随机与配对前瞻研究合并的检出比值为 1.13(0.83–1.55),不显著;五项非随机实施研究——包括一项覆盖 463,094 名女性的德国项目评估——合并为 1.22(1.08–1.37),显著,而且异质性小得多(I²=19.0%)。荟萃作者点破:更大、更精确的效应出自非随机设计,"这正是混杂会产生的模式"。翻译一下:研究设计越宽松,AI 的成绩单越好看。召回这边,总体比值 0.95(0.81–1.12),召回量没有整体变化。
这篇荟萃对证据确定性的评级是:准确性结局极低,单项随机试验中等。结论落在两句:AI 的位置是有组织筛查里的第二读者与分诊工具,不是放射科医生的自主替代;部署之前必须做本地验证。一个值得记录的细节:这篇荟萃把间期癌和死亡率并列为"仍在等待"的终点,但它的检索窗口止于 2025 年底——2026 年 1 月《柳叶刀》的间期癌答案恰在窗外,发表时已被事实超越;死亡率,则至今仍被等待着。
## 三种工作流,三本不同的假阳性账
瑞典 MASAI 的工作流是"分诊":AI 给每次检查打 1–10 级的恶性风险分,1–9 分交给单人阅片,10 分才走双人复核。这套流程里,两组的假阳性率比值 1.01,持平。但把 AI 装进别的工作流,账立刻不一样。
美国(Radiology,2026 年 7 月)是另一种装法:109 家机构、95 名放射科医生、577,742 次检查的多阶段 AI 工作流——CAD 检测加上对未召回可疑片的"保障复审"路由——做引入前后对照。结果:全科放射科医生的检出率从每千人 3.76 升到 4.99,追平了乳腺专科医生(专科自身从 4.47 到 4.76,变化不显著;全科加 AI 与专科相比也无显著差异)。在美国,约 70% 的筛查乳腺 X 线由全科放射科医生阅片——AI 确实在拉平专业差距。但代价就在同一份结果里:召回率从 9.06% 升到 10.40%,相对升了 14.79%。拉平差距的同时抬高召回,这本账在瑞典试验里没有出现。
欧洲(Clinical Imaging,2026 年 11 月)把三项嵌在常规筛查项目里的前瞻研究——MASAI、ScreenTrustCAD、PRAIM——合到同一把尺子上:597,419 次检查,检出率差为每千人 +0.9(置信区间上界 1.8,触及显著性边缘),召回差为每千人 −0.6,没有一致的升高,召回阳性预测值普遍更高;PRAIM 的项目级安全网机制还捞回了 204 例否则会被漏掉的癌。作者把 AI 定位为欧洲双读体系里的"补充读者",并要求显式的质量保证,以及对间期癌和分期分布的持续监测。
法国(Radiology: Artificial Intelligence,2026 年 7 月)则是一种欧洲独有的工作流:首读阴性的片子还要强制二读。一项覆盖 55,589 次阴性检查的回顾性研究问:AI 能不能让一部分阴性片免掉二读?AI 把 76.6% 的检查判为低风险,其中只有 1 例癌;非低风险组占 23.3%,有 11 例。若低风险片免二读,二读工作量约省 77%——但这是回顾性数据,前瞻验证还缺位。
三本账放在一起,是本文的综合判断,不是任何单项研究的结论:假阳性不是 AI 的固有成本,而是工作流的函数。瑞典分诊制里持平,美国多阶段制里显著上升,欧洲项目合成里不动。问"AI 会不会增加假阳性",就像问"手术刀会不会造成出血"——得先说清在谁手里、按什么流程用。
## 两本经济账,方向相反
英国的账(British Journal of Cancer,2026 年 8 月):用一项大型前瞻试验的证据驱动 NHS 筛查路径的离散事件模拟。AI 独立阅片,每邀请一人增加 0.00009 个 QALY(质量调整生命年),终身成本反而减少 £159.55;在 £20,000/QALY 的阈值下,100% 概率是最优策略。用 AI 换掉一名人类读者也小幅净省钱;三读(两人加 AI)健康收益最大,但成本上升。结论:把两名人类读者全部换成 AI,是最具成本效果的策略。要记住这是模型模拟而非试验观测——"所有 AI 路径都减少癌症死亡、把检出分期前移"是模拟输出,不是任何试验里数出来的事实。
澳大利亚的账(Social Science & Medicine,2026 年 10 月):两年期决策模型,基案例用 108,970 次澳大利亚女性检查的回顾性队列。"仅 AI 分诊、低风险片无人阅"每人平均省 4 澳元,但每千人少检出 0.521 例癌——每多检出 1 例的增量成本为 8,206 澳元;概率敏感性分析里,具成本效果的模拟占比不足 1%。反转出现在情景分析:把检出与召回两项输入换成前瞻随机试验的估计后,同一个模型得出"更有效、也更贵",每多检出 1 例的成本降到 1,123 澳元,"可能具成本效果"。
两本账并排,教训不在于英国对还是澳洲对,而在于:经济结论的第一驱动力,是喂进模型的临床证据。澳洲团队用自己的情景分析证明了这一点——模型不变,只换证据输入,结论就从"不值得"翻到"可能值得"。效率增益(省下的阅片量)和成本效果(健康账能不能平)之间,隔着"用哪份临床证据"这个选择,而这个选择往往写在论文的假设一节里,不在标题里。
## 三个问题合起来看
十年收口后的证据版图是这样:随机证据链完整,但十年荟萃说,平均分不可外推——预测区间 0.731 到 0.960 意味着本地验证是义务,不是选项;三种部署形态说,假阳性由工作流决定,抄别家的结论之前先看别家的流程;两本经济账说,"值不值"取决于你采信哪份临床证据。定位上各方倒是收敛的:第二读者、分诊工具,不是自主替代。仍然缺席的终点只有一个——死亡率,没有任何研究给出。
所以,医院的尽调问题不该是"AI 的 AUC 多少",而是"我们的双读流程怎么改、谁负责监测间期癌与分期分布、本地验证数据长什么样";卫生技术评估机构该做的,是公开经济模型的证据输入选择——那两本方向相反的账已经示范了这个选择有多决定性。
不确定性照例摆出来:MASAI 是单一试验、单一厂商产品(Transpara),嵌在瑞典有组织筛查的语境里(双读制、含中危遗传风险与乳腺癌史者的年度筛查),外推到单读、全科主导的语境要谨慎;美国研究是前后对照,时间趋势的混杂无法排除;法国研究是回顾性;两项经济评估都对输入假设高度敏感;十年荟萃的检索窗口错过了 2026 年的主要终点。
最后留一个值得争论的问题:如果你所在城市的医院明天要上 AI 筛查,你希望它先跑一遍本地验证、把数据公开,还是直接采用文献里那个 0.890 的"平均分"?如果该做本地验证,这笔钱谁来出——医院、厂商,还是医保?
来源:Ten Years of Artificial Intelligence in Screening Mammography: A Systematic Review and Meta-Analysis. Diagnostics, 2026. https://doi.org/10.3390/diagnostics16183045