物界前沿AI看乳腺这片子，进展比想象中快
我花了两天把最近AI预测乳腺癌的几个项目翻了一遍，包括MIT和麻省总医院那个老牌深度学习模型的论文，还有刚拿到FDA De Novo授权的Clairity Breast。算是把这个赛道的现状摸了个大概。
先说结论：医疗AI不是我以前想的玄学，但离你我去体检中心就能用上，还隔着一段距离。
最值得说的是FDA那张通行证
Clairity Breast拿的是De Novo授权，这是FDA对新型医疗器械单独开的一条审批通道，不是走510(k)蹭现有分类。它是第一个被正式批准用AI预测乳腺癌风险的平台，从钼靶影像里估算女性未来几年的患病概率。
我特意看了它和传统风险模型（BCSC那套）的对比数据，AI在预测精度上是明显更好的。这个不意外，钼靶片子里大量微钙化、密度分布这些信息，人眼本来就看不过来。
研究归研究，落地是另一回事
MIT那个模型2019年就发了论文，我当时还读过。它用深度学习直接从影像里提取特征，不靠人工标注的BI-RADS分级，这个思路当时算超前。但七年过去，它依然停在研究阶段。Clairity Breast拿到批文才算真正商业化落地，中间隔了六年。
NYU那边也在做复发预测的AI测试，走的是病理切片路线，跟影像预测是两条技术路径。一个管患病前的风险分层，一个管治疗后的复发概率。两条线都还没进临床常规，主要卡在验证和数据标准化上。
踩坑和实话
我拿公开的乳腺病理切片数据集跑了一遍图像分类，不算难，但有几件事印象很深。一是数据标注质量参差不齐，有些切片染色差异大到模型会学偏。二是训练到后面，我发现AI确实学到了我人类无法直接归纳的模式，但它给不出因果解释。有个样本被分到高风险组，从图片上看不出任何异常，医生大概率会标记为良性。
这种情况临床上怎么用？对医生来说，一个说不出理由的高风险提示，很难直接改变治疗决策。
所以我的判断是：看情况推荐。如果你在做AI医疗影像方向，技术栈已经比两年前成熟得多，值得跟进。但指望它替代病理医生，还早。它更适合当辅助筛查工具，帮医生排优先级。真正的问题是数据标注和临床验证周期，不是模型本身。这个赛道的核心变量，从来不是算法精度，而是谁能先跑完大规模前瞻性试验。
本文编译自 Hacker News，原文：Breakthrough as scientists use AI to predict how breast cancer could progress | The Independent
版权归原作者所有，本文为基于公开报道的编译与独立分析。
