分享:
分享到微信朋友圈
X
• 综述 •
基于乳腺MRI的Kaiser评分研究进展
周辉 李仕广 刘旭东

本文引用格式 周辉, 李仕广, 刘旭东. 基于乳腺MRI的Kaiser评分研究进展[J]. 磁共振成像, 2026, 17(11): 167-173. DOI:10.12015/issn.1674-8034.2026.11.021.


[摘要] 乳腺癌位居全球女性恶性肿瘤发病率首位,早期精准诊断是改善患者预后的重要前提。临床广泛应用的乳腺影像报告与数据系统(breast imaging reporting and data system, BI-RADS)判读高度依赖阅片医师主观经验,存在观察者间一致性不佳、BI-RADS 4类病变不必要活检率较高等固有不足。Kaiser评分(Kaiser score, KS)是基于卡方自动交互检测决策树算法构建的乳腺磁共振成像量化评估体系,整合5项核心影像学征象生成1~11分整数量化评分,并提供相应规范化临床处置方案。国内外多项研究证实,KS在诊断准确率、观察者一致性及减少过度活检方面均显著优于传统BI-RADS分级,且在各类临床场景中具备稳定诊断效能。然而,目前尚缺乏针对KS的全面梳理与归纳评述,本文聚焦KS的适用边界、局限性及人工智能融合进展情况,分析当前研究不足并探讨未来发展方向,旨在为乳腺病变精准影像判别、KS评估方案的临床标准化推广应用提供参考。
[Abstract] Breast cancer ranks first in incidence among female malignancies worldwide, and early, accurate diagnosis is a critical prerequisite for improving patient prognosis. The widely used breast imaging reporting and data system (BI-RADS) relies heavily on radiologists' subjective experience, with inherent limitations, including poor interobserver consistency and persistently high rates of unnecessary biopsies in BI-RADS category 4 lesions. The Kaiser score (KS) is a quantitative breast MRI assessment system constructed based on the chi-squared automatic interaction detection decision tree algorithm, integrating five core imaging features to generate an integer score ranging from 1 to 11 with corresponding standardized clinical management recommendations. Multiple studies have confirmed that KS significantly outperforms traditional BI-RADS classification in diagnostic accuracy, interobserver consistency, and reduction of unnecessary biopsies, demonstrating stable diagnostic performance across various clinical scenarios. However, a comprehensive summary and narrative evaluation of the evidence-based diagnostic value, clinical application limitations, and progress in artificial intelligence integration for KS is currently lacking. This article focuses on the scope of application, limitations, and AI integration progress of KS, analyzes current research deficiencies, and explores future development directions, aiming to provide a reference for precision breast lesion imaging differentiation and the standardized clinical promotion of KS assessment protocols.
[关键词] Kaiser评分;乳腺磁共振成像;人工智能;循证医学;诊断效能;临床转化
[Keywords] Kaiser score;breast magnetic resonance imaging;artificial intelligence;evidence-based medicine;diagnostic performance;clinical translation

周辉 *   李仕广    刘旭东   

贵州省贵阳市第二人民医院(金阳医院)影像科,贵阳 550023

通信作者:周辉,E-mail: 120129871@qq.com

作者贡献声明:周辉负责本研究的构思与设计,检索、获取、分析及解释本研究文献,起草并撰写稿件,获得贵阳市卫生健康局科技计划项目资助;李仕广参与了本研究的设计、文献分析及稿件重要内容的修改,获得贵州省基础研究计划(自然科学)资助;刘旭东参与文献资料的收集与整理,并对稿件内容进行了修改;全体作者均同意发表最后的修改稿,同意对本研究所有方面负责,确保本研究的准确性和诚信。


基金项目: 贵州省基础研究计划(自然科学) QKHJC-ZK-2023-006 贵阳市卫生健康局科技计划项目 ZWJKJ-2021-21
收稿日期:2026-05-14
接受日期:2026-08-10
中图分类号:R445.2  R737.9 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2026.11.021
本文引用格式 周辉, 李仕广, 刘旭东. 基于乳腺MRI的Kaiser评分研究进展[J]. 磁共振成像, 2026, 17(11): 167-173. DOI:10.12015/issn.1674-8034.2026.11.021.

0 引言

       乳腺癌是全球女性发病率最高的恶性肿瘤[1],早期精准诊断是改善预后及降低死亡率的关键[2]。乳腺磁共振成像(magnetic resonance imaging, MRI)凭借高软组织分辨率和多参数成像优势,已成为乳腺疾病筛查、诊断及复查的重要工具[3]。然而目前临床广泛使用的乳腺影像报告和数据系统(breast imaging reporting and data system, BI-RADS)判读高度依赖阅片者经验与主观判断[4],存在不同医师间诊断结果差异较大、BI-RADS 4类病变不必要活检率较高的固有局限[5],客观规范的结构化评估工具的开发具有重要临床价值。

       基于上述局限性,BALTZER等[6]于2013年提出乳腺MRI分类决策树模型,并于2018年正式命名为Kaiser评分(Kaiser score, KS)[7]。KS基于卡方自动交互检测决策树算法建立[6, 8],整合毛刺征、时间-信号强度曲线(time-signal intensity curve, TIC)类型、病灶边缘、内部强化模式及瘤周水肿5项关键影像征象,形成1~11分整数量化评分,并直接对应临床处置建议(图1)。现有国内外研究表明,KS诊断效能显著优于BI-RADS[9],不仅具备更佳的阅片一致性[10],还可有效降低临床不必要活检率[11],在不同临床诊疗场景中均表现出良好的应用稳定性[12]。然而,现有研究尚未针对KS的循证适用范围、判读局限及人工智能(artificial intelligence, AI)融合进展梳理归纳。本文梳理KS的诊断效能与应用边界,聚焦AI技术对KS的赋能路径及临床推广阻力,分析现有研究存在的不足并探讨未来发展方向,旨在为乳腺病变精准影像判别、KS评估方案的临床标准化推广应用提供参考。

图1  KS结构化决策树流程图。KS:Kaiser评分;TIC:时间-信号强度曲线。
Fig. 1  Flowchart of the Kaiser score structured decision tree. KS: Kaiser scor; TIC: time-intensity curve.

1 文献检索策略

       在PubMed、Web of Science、中国知网、万方数据库、维普期刊中检索相关文献,未设置文章类型限制,检索时间为数据库建库至2026年5月。英文检索式:(“Kaiser score” OR “Kaiser scoring system”)AND(“breast MRI” OR “breast magnetic resonance imaging” OR “MR-mammography” OR “BI-RADS”);中文检索式:(“Kaiser评分”OR“Kaiser评分系统”)AND(“乳腺MRI”OR“乳腺磁共振成像”OR“乳腺影像报告和数据系统”)。根据每个数据库的检索特点分别对主题词与自由词进行组合检索。共检索到相关文献62篇。纳入标准:(1)研究对象为接受乳腺MRI检查,采用KS进行乳腺病灶良恶性鉴别诊断的患者;(2)研究类型为原始研究,研究内容涉及KS诊断效能评估、临床应用局限分析,或KS结合人工智能技术的相关研究;(3)可获取文献全文。排除标准:(1)重复发表或研究数据存在明显重叠的文献;(2)会议摘要等无法获取完整数据的文献。最终纳入本综述符合纳入、排除标准的核心文献共41篇,其中英文32篇,中文9篇。此外,引用背景文献11篇(包括流行病学数据、影像学指南及通用方法学文献)。

2 Kaiser评分的循证效能与应用稳定性

2.1 诊断准确性与评分者间一致性

       多项国内外研究围绕诊断准确率、组间一致性两大核心指标开展对比分析,证实KS相较BI-RADS分级体系具备更充分的循证价值,可为临床推广应用提供参考依据[13]。BALTZER等[6]纳入1084处乳腺病灶开展验证,KS诊断准确率达88.4%,印证依托结构化决策树,能够将多维度复杂影像特征转化为精准量化诊断结果。PÖTSCH等[14]采用分层对照阅片试验,选取3名无乳腺影像诊断经验的住院医师采用KS评估,3名高年资放射科医师运用BI-RADS标准,分别独立判读93例病例。结果显示在住院医师应用KS与资深医师应用BI-RADS的对照中,住院医师组的AUC显著更高,提示标准化评分规则可能降低阅片经验带来的判读偏倚。WANG等[15]对97个乳腺病灶的研究显示,33.8%的原BI-RADS 4类病变被降级至2类或3类,仅出现1例恶性漏诊,可在保障准确诊断的前提下,有效降低过度活检率,减轻患者不必要的身心负担与医疗资源消耗。WENGERT等[16]对167例钼靶可疑钙化病灶进行研究,结果显示KS可使BI-RADS 4类钙化病灶的不必要活检率降低58.3%~65.3%,提示KS通过对钙化病灶的恶性风险量化分层,可有效筛除无需活检的良性病变,成为活检前重要的辅助决策工具[17]。ISTOMIN等[18]在697个病灶中进一步证实,KS特异度(34.8%~47.5%)约为基于BI-RADS征象构建的多参数分类系统的3~4倍,两名阅片医师的评分一致性较高[组内相关系数(intra-class correlation coefficient, ICC)=0.882],提示KS通过标准化决策路径同步实现了诊断特异性与判读一致性的双重提升,为其多中心、跨机构推广应用奠定了方法学基础。

       多项研究证实[19, 20, 21],KS的诊断效能与观察者间一致性优于传统 BI-RADS,但各项研究入组场景异质性明显,病灶组成与对照标准不统一,降低了研究结论的外部适用性。诊断效能层面,各项研究纳入场景不同,病灶恶性占比普遍偏高(56.9%~65.6%),与真实临床场景差异显著,所得AUC波动于0.859~0.992,现有数据无法确定标准化条件下KS的基准诊断效能,不同研究结果难以横向比较。观察者一致性方面,既往研究存在医师年资与评分体系同步变动的设计缺陷,无法区分二者的独立作用,无法证实,KS 标准化流程是否改善年资相关判读偏差的实际作用仍缺乏严谨验证。后续应采用统一截断值、样本构成及评价指标开展多中心前瞻性研究,确立KS标准诊断效能参考值;并匹配医师年资或实施统一培训后比对两套评分系统的一致性,明确 KS 对阅片年资偏倚的独立校正作用。

       KS结构化决策树流程图1。

2.2 多临床场景下的诊断稳定性

       多项研究进一步证实[22, 23],KS在基因高风险人群、结构扭曲病灶及简化MRI方案等多种复杂临床场景中,均展现出稳定的诊断性能。BRCA突变携带者的乳腺病灶常表现出不典型影像学特征,MILOS等[24]纳入159例BRCA突变携带者筛查患者的183个BI-RADS 4类乳腺MRI病灶,结果显示3位阅片者应用KS的诊断效能(AUC为0.865~0.902)及敏感度(95.1%~97.6%)均维持在较高水平,以KS≤4分为良性判断阈值时可避免45.1%~72.5%的不必要活检且无恶性漏诊,提示KS在基因高风险人群中可实现高敏感度与活检减少的有效平衡,为BRCA突变携带患者随访决策提供量化依据。乳腺钼靶检查中腺体局部结构扭曲因缺乏明确肿块而难以定性,恶性漏诊风险较高。ASLAN等[25]回顾性纳入41例经随访或病理证实的此类患者,在钼靶评估基础上加做乳腺MRI并应用KS评分,结果显示KS诊断恶性病变的准确率为75.61%(AUC=0.833)。然而,KS 最初仅针对乳腺 MRI强化病灶研发设计,结构扭曲并非该评分的原始适用场景,该研究属于KS的拓展性临床探索,临床应用时需充分考量其适用局限性。ERKAN等[26] 纳入154例患者158个病理证实的乳腺强化病灶,对比KS在精简乳腺MRI方案[包含轴位脂肪抑制T2加权成像(T2-weighted imaging, T2WI)及第1、2、4期共3个增强扫描时相]与标准全序列MRI方案中的诊断效能。两种方案诊断准确率均为90.5%,敏感度分别为 96.3%、98.1%;两名医师采用精简MRI方案的 AUC为0.859~0.873,全序列MRI方案AUC为0.863~0.878,组间差异无统计学意义。另有研究[27]进一步针对无动态增强的纯简化MRI序列改良KS,仅依靠 T2WI、DWI及ADC特征完成病灶鉴别,改良模型整体AUC可达0.840,独立验证集同样保持稳定诊断效能。现有研究证实简化扫描方案下KS可维持等效诊断效能,为扫描资源有限的基层医疗机构推广应用 KS提供了可行性依据。

       KS在多种特殊临床场景中诊断效能AUC 0.833~0.902,初步反映该评分体系具备一定的跨场景诊断稳定性。然而,不同临床场景下KS敏感度与特异度的配比特征存在明显差异,其中BRCA高危筛查场景KS敏感度可达95.1%~97.6%,而结构扭曲场景下诊断准确率仅为75.61%;现阶段相关验证试验均局限于单一临床场景,缺少统一试验基线下的横向对照研究,不同诊疗场景中KS诊断效能的变化规律与对应的判读参照标准仍处于空白状态。明确KS基础诊断效能后,未来研究可通过多中心、大样本的分层亚组分析,量化解析不同场景下敏感度、特异度的变化特征,构建适配各类临床场景的KS判读标准,为临床规范化使用该评分工具提供可靠的临床参考。

       各代表性研究的诊断效能汇总见表1。

表1  KS在不同临床场景中的诊断效能汇总
Tab. 1  Summary of diagnostic performance of KS in different clinical scenarios

3 Kaiser评分的应用局限与优化探索

3.1 KS假阳性与假阴性的风险因素

       KS虽在多种临床场景中展现出稳定的诊断效能,但其误判风险受特定病灶的病理类型及影像表现影响[28]。在假阳性误判病例中,非肿块强化(non-mass enhancement, NME)是最主要影响因素,此类病灶 MRI 多表现为边界模糊、形态不规则,内部强化特征难以精准识别,易造成KS假阳性率升高[29]。ZHANG等[30]通过1058例乳腺病灶多因素回归证实,NME是最强独立危险因素(OR=4.660,95% CI:2.018~10.762,P<0.001),提示KS对NME的评分特异性存在一定局限性,临床解读需审慎,可联合同侧乳腺血管增多征象辅助评估病灶恶性潜能。中重度乳腺腺体背景强化(OR=2.402,95% CI:1.180~4.892,P=0.016)时,病灶真实强化边界会被进一步掩盖,增加假阳性风险。弥散加权成像(diffusion weighted imaging, DWI)/表观扩散系数(apparent diffusion coefficient, ADC)可在一定程度上规避乳腺背景强化带来的判读干扰,辅助良恶性病变的鉴别诊断[31]。T2WI高信号(OR=2.986,95% CI:1.386~6.433,P=0.005)对KS判读具有双向干扰效应:伴类瘤周水肿的T2WI高信号病灶需警惕纤维腺瘤等良性病变所致假性水肿,需结合内部强化特征综合评估;若合并囊壁增厚、囊内强化结节或内部强化不均,恶性风险更高,反之多为假阳性。无明显毛刺征的T2WI高信号黏液癌易因KS偏低造成漏诊,临床不应单纯依靠单期强化模式或ADC值定性;若病灶呈延迟期渐进性填充、中心与周边强化差异逐渐缩小,需高度警惕黏液癌,避免误判为良性[32]。

       恶性肿瘤可通过促进新生血管生成导致病灶周围血管异常增多,同侧乳腺血管增多征象(adjacent vascular sign, AVS)可在一定程度上反映病灶的恶性生物学行为。鉴于KS对NME病灶的形态学判读存在系统性偏差,研究者尝试将AVS引入KS框架,以期通过补充血管维度信息来弥补形态学判读的不足。ZHOU等[33]纳入223例乳腺可疑病灶,在传统KS基础上联合AVS构建优化模型KS*,结果显示KS*及NME亚组AUC均显著优于单纯KS,但联合血管参数对整体AUC的提升幅度仅为0.019,临床获益提升幅度有限。贾敏等[34]纳入143例患者145个病灶进一步验证,结果显示KS诊断效能(AUC=0.883)显著优于AVS单独应用(AUC=0.729),提示AVS无法替代KS;且血管参数与KS的单纯叠加方案未能显著提升诊断AUC(P>0.05),进一步证实单纯叠加血管参数对KS整体诊断效能的改善作用较为有限。

       在假阴性层面,病灶体积为核心影响因素[35]。ZHANG等[30]研究证实,直径≤1 cm病灶是KS假阴性的独立危险因素(OR=3.698,95% CI:1.430~9.567,P=0.007)。早期病灶体积较小尚未发展出典型恶性影像特征,常表现为边缘光滑、动态增强曲线呈流入型等良性病变的影像征象,易导致KS偏低增加假阴性漏诊风险。临床可联合同侧乳腺血管增多征象辅助判断,对于血供匮乏、强化曲线表现不典型的微小病灶,建议短期随访复查,避免直接将其判定为良性。AVDAN ASLAN等[36]基于219例乳腺癌患者的研究进一步证实,病灶直径≤1 cm及个人乳腺癌病史均与KS假阴性密切相关。既往手术、放疗等治疗所致的局部纤维化与瘢痕形成可通过两种途径干扰KS判读:一方面,瘢痕组织使复发病灶边缘趋于光滑、强化程度减低,形态特征与良性病灶高度重叠;另一方面,瘢痕本身的强化信号可掩盖或混淆复发病灶的真实强化表现,导致KS分值偏低而漏诊。因此,对于有乳腺癌治疗史的患者,即便KS提示低风险,仍需结合临床病史及影像动态变化综合判断,不可单纯依赖KS分值排除肿瘤复发。

       KS假阳性高发于NME病灶、中重度背景实质强化及T2WI高信号等影像特征复杂的场景,而假阴性主要见于体积较小的早期病灶及有乳腺癌治疗史的复查患者。上述特殊场景构成了KS清晰的临床慎用边界,此类情况下KS独立诊断效能有限,临床需结合多模态影像参数及临床信息综合研判,不宜单独依靠KS评分判定病灶良恶性。当前研究仅识别出KS的各类误判危险因素,对应高危场景的临床校正策略尚无统一共识。未来研究需立足于典型误判场景建立多参数联合判读方案,评价DWI、ADC及临床信息对非肿块强化灶、微小病灶、乳腺癌治疗史患者KS判读误差的校正作用,为高危条件下KS的规范应用提供循证参考。

3.2 参数叠加优化的探索与局限

       KS开发者在评分体系建立之初,已对ADC值的辅助诊断价值进行了评估,且明确发现其在特定病理类型存在难以规避的固有局限[6]。黏液癌(ADC均值1.8×10-3 mm2/s)因黏液基质导致扩散受限轻微、ADC值升高易出现假阴性[37],而导管原位癌(ADC均值1.31×10⁻³ mm2/s)扩散受限程度较轻[38],ADC值与良性病变重叠明显,单一ADC阈值易造成漏诊。鉴于ADC值的上述固有局限,KS开发者未将其纳入评分核心规则,仅界定为临床经验参考:依据原始研究推荐标准,若病灶ADC值>1.4×10-3 mm2/s,可在原KS总分基础上减去4分[7],临床判读时仍需结合多征象综合评估。后续多项研究团队围绕KS联合ADC模型开展大样本临床验证,明确参数叠加能否突破该局限[39, 40]。多项研究结果高度一致,证实KS单独使用的诊断效能显著优于ADC单独应用(AUC:0.902~0.941 vs. 0.810~0.901)[40, 41],且在减少不必要活检方面显著优势:多中心研究数据显示,KS的潜在可避免活检率接近ADC的两倍(特异度65.4% vs. 32.9%,P<0.000 1)[42]。KS与ADC的组合应用中,各类研究结果呈现出高度一致:KS+ADC组合的特异度较原始KS提升7.82%~9.70%,但均需以敏感度轻度下降1.5%~1.8%为代价;当设定相同敏感度水平进行对比时,KS+ADC组合与KS的特异度趋于一致,组合模式带来的实际诊断增益极为有限。该特征在NME亚组中更为显著,KS+ADC组合虽将特异度从89%提升至94%,但敏感度却从93%降至86%[43]。

       KS+ADC组合总体AUC未能显著提升,因KS整合多维度参数构建评分体系,多维度冗余设计赋予其较强的抗判读偏差能力,单一维度误判可由其余维度弥补;ADC仅表征扩散单维度,无内在补偿机制。这一规律并不局限于ADC,KS与合成MRI定量参数(T1、T2弛豫时间)联合构建多参数模型,相较于单独 KS,联合方案诊断效能差异无统计学意义;单独KS的AUC为0.855,各类参数联合模型敏感度、特异度仅小幅波动,未实现诊断效能明显增益[44],进一步提示KS优化的瓶颈并非来自参数类型的选择。后续研究可基于KS架构,整合临床资料、钼靶与超声多模态影像等独立预测变量,建立多源融合诊断模型,为提升KS诊断效能提供新的研究思路。

4 人工智能与Kaiser评分整合研究的现状与局限

       机器学习与 AI 技术的快速发展,TIC不同判读方式对 KS 的诊断效能影响较小[45],无论采用人工视觉判读还是AI自动分析,其最终评分结果均保持高度一致,提示KS其结构化决策路径本身已足够稳健,单纯替换某一维度的判读方式无法带来显著的诊断增益。PÖTSCH等[46]纳入220个乳腺病灶,分别采用放射科医师肉眼判读与AI像素级彩色编码参数图自动分析两种方式评估TIC类型,结果显示两种方式下KS诊断效能差异无统计学意义(P=0.119),即使在肿块与非肿块亚组分层分析中亦无显著差异(P=0.130和P=0.787)。既往研究采用固定阈值规则(ADC>1.4×10-3 mm2/s时KS降4分)整合ADC与KS,但这一方式过于简化,未能充分考虑不同KS分值与ADC值之间的交互效应。CHEN等[47]将每例病灶的KS总分与ADC值同时输入5种机器学习算法,各算法通过不同方式在KS与ADC构成的二维数值空间中寻找区分良恶性的最优决策边界。结果显示,所有算法的AUC均与原始KS差异无统计学意义,提示信息输入维度是制约模型诊断效能的关键因素,算法复杂度的提升难以弥补信息维度的固有局限。

       多项研究证实,仅替换KS单一判读维度或叠加单一参数的优化方式,难以带来显著的诊断效能提升[48, 49]。YI等[50]构建了以KS为核心、“影像+临床信息”融合的诊断模型,为KS诊断效能探索新方向。该研究采用双中心设计(训练集284例,验证集107例),以机器学习方法筛选出年龄、最大密度投影征、伴随影像特征及临床乳腺检查结果作为补充变量,联合KS构建列线图诊断模型,以列线图形式量化输出恶性概率,辅助临床决策。结果显示,融合模型的AUC在训练集(0.948 vs. 0.869)和验证集(0.956 vs. 0.879)中均显著优于单独KS(P<0.05),多项统计指标证实其鉴别能力及临床净获益均显著提升。

       已有研究证实,在KS评估体系中整合临床特征与影像学参数可显著改善诊断效能。现阶段相关研究仍处于基础探索阶段:不同研究所采用的建模算法、纳入的补充预测变量存在显著异质性,目前最优变量组合尚未形成统一共识。此外,现有研究多为单中心回顾性小样本设计,缺乏多中心前瞻性外部验证队列,研究结论的外推效能存在明显局限。后续研究应依托标准化方法学体系,对各组变量组合的诊断增益效应开展系统性对比分析,筛选兼具精简性与试验可重复性的最优特征集,并实施多中心前瞻性验证研究,为该融合诊断模型的临床规范化应用提供可靠的循证学依据。

       各代表性研究的诊断效能汇总见表2。

       深度学习尚未有效整合至KS评分体系,可能源于KS自身的方法学特征制约:KS依靠毛刺征、TIC类型、病灶边缘等人工视觉征象完成判读,受乳腺磁共振空间分辨率、各类图像伪影等因素限制,对上述指标进行自动化识别反而容易引入新的测量偏倚[7, 46];同时KS缺乏多中心大规模标注数据集,难以满足深度学习模型的训练需求。多种客观条件制约下,目前阶段最具可行性的融合策略,仍是保留KS可解释的标准化判读框架,通过整合多源临床结构化信息拓展诊断特征维度,而非以深度学习替换或重构KS原有的结构化判读框架[51]。

表2  AI与KS整合研究汇总
Tab. 2  Summary of studies on AI integration with KS

5 小结与展望

       尽管KS在诊断效能、阅片一致性及复杂临床场景适用性方面具备显著优势,但其在特定病灶类型中仍存在特异性不足等固有局限,各类优化策略与临床落地推广均面临多重现实挑战。第一,国内外KS相关研究以单中心回顾性研究为主,国内该现象突出,尚缺乏大样本多中心前瞻性队列验证,本土化循证证据不足一定程度上限制了其临床认可度;第二,KS 对非肿块样强化病灶、小病灶等特定影像类型易出现系统性偏差,联合ADC、AVS 等影像参数的优化方案均未能显著改善整体诊断效能,单纯依赖参数叠加的优化路径已存在明显方法学局限;第三,受乳腺MRI空间分辨率不足、图像伪影干扰、大样本标注数据集稀缺等客观条件限制,人工智能与 KS 的深度融合难以临床推广,现阶段深度学习难以对KS核心影像征象实现稳定、精准的自动化判读;第四,KS尚未融入国内放射科标准化诊疗流程,缺少专属结构化报告模板;同时 BI-RADS 长期临床应用让医师形成阅片路径依赖[52],降低了医务人员对新型评估体系的接纳与推行意愿。上述多重因素致使KS尽管具备扎实的循证基础,但临床大范围推广应用仍相对滞后。

       未来研究可围绕三方面开展研究突破:第一,开展国内多中心前瞻性研究,在多类临床场景中完善本土化循证证据,推动KS写入乳腺MRI诊疗规范,对接院内放射信息系统并制定标准化结构化报告模板;第二,立足KS可解释的原有框架,整合年龄、临床检查、影像伴随征象等多维结构化变量构建融合预测模型,并完成多中心前瞻性外部验证;第三,伴随乳腺MRI成像质量不断优化,探索深度学习辅助征象识别与KS决策树联合的人机协作模式,该模式是当前人工智能与KS深度融合最具潜力的发展路径。

[1]
BRAY F, LAVERSANNE M, SUNG H, et al. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin, 2024, 74(3): 229-263. DOI: 10.3322/caac.21834.
[2]
LUBINSKI J, KOTSOPOULOS J, MOLLER P, et al. MRI surveillance and breast cancer mortality in women with BRCA1 and BRCA2 sequence variations[J]. JAMA Oncol, 2024, 10(4): 493-499. DOI: 10.1001/jamaoncol.2023.6944.
[3]
NIELL B L, JOCHELSON M S, AMIR T, et al. ACR appropriateness criteria® female breast cancer screening: 2023 update[J/OL]. J Am Coll Radiol, 2024, 21(6S): S126-S143 [2026-05-13]. https://pubmed.ncbi.nlm.nih.gov/41486277/. DOI: 10.1016/j.jacr.2024.02.019.
[4]
EDWARDS S D, LIPSON J A, IKEDA D M, et al. Updates and revisions to the BI-RADS magnetic resonance imaging lexicon[J]. Magn Reson Imaging Clin N Am, 2013, 21(3): 483-493. DOI: 10.1016/j.mric.2013.02.005.
[5]
STROBEL K, SCHRADING S, HANSEN N L, et al. Assessment of BI-RADS category 4 lesions detected with screening mammography and screening US: utility of MR imaging[J]. Radiology, 2015, 274(2): 343-351. DOI: 10.1148/radiol.14140645.
[6]
BALTZER P A T, DIETZEL M, KAISER W A. A simple and robust classification tree for differentiation between benign and malignant lesions in MR-mammography[J]. Eur Radiol, 2013, 23(8): 2051-2060. DOI: 10.1007/s00330-013-2804-3.
[7]
DIETZEL M, BALTZER P A T. How to use the Kaiser score as a clinical decision rule for diagnosis in multiparametric breast MRI: a pictorial essay[J]. Insights Imag, 2018, 9(3): 325-335. DOI: 10.1007/s13244-018-0611-8.
[8]
BALTZER P A T, KRUG K B, DIETZEL M. Evidence-based and structured diagnosis in breast MRI using the Kaiser score[J]. Rofo, 2022, 194(11): 1216-1228. DOI: 10.1055/a-1829-5985.
[9]
ZHOU J J, LIU H R, MIAO H W, et al. Breast lesions on MRI in mass and non-mass enhancement: Kaiser score and modified Kaiser score + for readers of variable experience[J]. Eur Radiol, 2025, 35(1): 140-150. DOI: 10.1007/s00330-024-10922-1.
[10]
KANG Y H, LI Z G, YANG G, et al. Diagnostic performance of the Kaiser score in the evaluation of breast lesions on contrast-enhanced mammography[J/OL]. Eur J Radiol, 2022, 156: 110524 [2026-05-13]. https://pubmed.ncbi.nlm.nih.gov/36126352/. DOI: 10.1016/j.ejrad.2022.110524.
[11]
RONG X C, KANG Y H, XUE J, et al. Value of contrast-enhanced mammography combined with the Kaiser score for clinical decision-making regarding tomosynthesis BI-RADS 4A lesions[J]. Eur Radiol, 2022, 32(11): 7439-7447. DOI: 10.1007/s00330-022-08810-7.
[12]
HUA B, YANG G, WANG Y, et al. Diagnostic performance of the Kaiser score for contrast-enhanced mammography and magnetic resonance imaging in breast masses: a Comparative Study[J]. Acad Radiol, 2025, 32(3): 1241-1251. DOI: 10.1016/j.acra.2024.09.054.
[13]
易熙, 王贵良, 马荣, 等. Kaiser评分不同界值应用于乳腺病变MRI诊断的效能比较[J]. 分子影像学杂志, 2021, 44(6): 911-916. DOI: 10.12122/j.issn.1674-4500.2021.06.05.
YI X, WANG G L, MA R, et al. Efficacy of different cut-off values of Kaiser score in MRI diagnosis of breast lesions[J]. J Mol Imag, 2021, 44(6): 911-916. DOI: 10.12122/j.issn.1674-4500.2021.06.05.
[14]
PÖTSCH N, KORAJAC A, STELZER P, et al. Breast MRI: does a clinical decision algorithm outweigh reader experience [J]. Eur Radiol, 2022, 32(10): 6557-6564. DOI: 10.1007/s00330-022-09015-8.
[15]
WANG Q B, FU F L, CHEN Y, et al. Application of the Kaiser score by MRI in patients with breast lesions by ultrasound and mammography[J]. Diagn Interv Radiol, 2022, 28(4): 322-328. DOI: 10.5152/dir.2022.201075.
[16]
WENGERT G J, PIPAN F, ALMOHANNA J, et al. Impact of the Kaiser score on clinical decision-making in BI-RADS 4 mammographic calcifications examined with breast MRI[J]. Eur Radiol, 2020, 30(3): 1451-1459. DOI: 10.1007/s00330-019-06444-w.
[17]
JAJODIA A, SINDHWANI G, PASRICHA S, et al. Application of the Kaiser score to increase diagnostic accuracy in equivocal lesions on diagnostic mammograms referred for MR mammography[J/OL]. Eur J Radiol, 2021, 134: 109413 [2026-05-13]. https://pubmed.ncbi.nlm.nih.gov/33290973/. DOI: 10.1016/j.ejrad.2020.109413.
[18]
ISTOMIN A, MASARWAH A, VANNINEN R, et al. Diagnostic performance of the Kaiser score for characterizing lesions on breast MRI with comparison to a multiparametric classification system[J/OL]. Eur J Radiol, 2021, 138: 109659 [2026-05-13]. https://pubmed.ncbi.nlm.nih.gov/33752000/. DOI: 10.1016/j.ejrad.2021.109659.
[19]
冯琳琳, 冯小会, 闫锐, 等. 基于多参数MRI的Kaiser评分系统对乳腺病变诊断效能的研究[J]. 中国CT和MRI杂志, 2023, 21(3): 93-95. DOI: 10.3969/j.issn.1672-5131.2023.03.034.
FENG L L, FENG X H, YAN R, et al. Study on the diagnostic efficacy of Kaiser scoring system based on multi-parameter MRI in breast lesions[J]. Chin J CT MRI, 2023, 21(3): 93-95. DOI: 10.3969/j.issn.1672-5131.2023.03.034.
[20]
CLOETE D J, MINNE C, SCHOUB P K, et al. Magnetic resonance imaging of fibroadenoma-like lesions and correlation with Breast Imaging-Reporting and Data System and Kaiser scoring system[J/OL]. SA J Radiol, 2018, 22(2): 1532 [2026-05-13]. https://pubmed.ncbi.nlm.nih.gov/31754520/. DOI: 10.4102/sajr.v22i2.1532.
[21]
DIETZEL M, BERNATHOVA M, CLAUSER P, et al. Added value of clinical decision rules for the management of enhancing breast MRI lesions: a systematic comparison of the Kaiser score and the Göttingen score[J/OL]. Eur J Radiol, 2023, 169: 111185 [2026-05-13]. https://pubmed.ncbi.nlm.nih.gov/37939606/. DOI: 10.1016/j.ejrad.2023.111185.
[22]
郭转转, 张冰, 雷喆, 等. Kaiser评分对乳腺超声BI-RADS 4A病变的诊断价值和避免不必要活检的潜力[J]. 西安交通大学学报(医学版), 2025, 46(2): 304-309. DOI: 10.7652/jdyxb202502016.
GUO Z Z, ZHANG B, LEI Z, et al. Diagnostic value of the Kaiser score for US BI-RADS 4A lesions of breast and potential to avoid unnecessary biopsies[J]. J Xi'an Jiaotong Univ Med Sci, 2025, 46(2): 304-309. DOI: 10.7652/jdyxb202502016.
[23]
杨喆璇, 赵鑫, 谭世芳, 等. Kaiser评分与表观扩散系数对哺乳期乳腺良恶性病变的鉴别诊断效能研究[J]. 磁共振成像, 2024, 15(6): 87-93. DOI: 10.12015/issn.1674-8034.2024.06.013.
YANG Z X, ZHAO X, TAN S F, et al. Study on the differential diagnostic efficacy of Kaiser score and apparent diffusion coefficient values for benign and malignant breast lesions during lactation[J]. Chin J Magn Reson Imaging, 2024, 15(6): 87-93. DOI: 10.12015/issn.1674-8034.2024.06.013.
[24]
MILOS R I, PIPAN F, KALOVIDOURI A, et al. The Kaiser score reliably excludes malignancy in benign contrast-enhancing lesions classified as BI-RADS 4 on breast MRI high-risk screening exams[J]. Eur Radiol, 2020, 30(11): 6052-6061. DOI: 10.1007/s00330-020-06945-z.
[25]
ASLAN O, OKTAY A. Diagnostic accuracy of the breast MRI Kaiser score in suspected architectural distortions and its comparison with mammography[J/OL]. Sci Rep, 2024, 14: 447 [2026-05-13]. https://pubmed.ncbi.nlm.nih.gov/38172557/. DOI: 10.1038/s41598-023-50798-7.
[26]
ERKAN M, OZCAN S G G. Diagnostic performance of Kaiser score for characterization of breast lesions on modified abbreviated breast MRI and comparison with full-protocol breast MRI[J/OL]. J Clin Med, 2025, 14(1): 264 [2026-05-13]. https://pubmed.ncbi.nlm.nih.gov/39797346/. DOI: 10.3390/jcm14010264.
[27]
PÖTSCH N, CLAUSER P, KAPETAS P, et al. Enhancing the Kaiser score for lesion characterization in unenhanced breast MRI[J/OL]. Eur J Radiol, 2024, 176: 111520 [2026-05-13]. https://pubmed.ncbi.nlm.nih.gov/38820953/. DOI: 10.1016/j.ejrad.2024.111520.
[28]
KARABULUT U E, CELIK YABUL F, POLAT Y B, et al. Contrıbutıon of Kaıser score in non-mass enhanced breast lesions[J/OL]. Eur J Radiol, 2025, 185: 112002 [2026-05-13]. https://pubmed.ncbi.nlm.nih.gov/39970546/. DOI: 10.1016/j.ejrad.2025.112002.
[29]
张冰, 冯琳琳, 王琳, 等. Kaiser评分在乳腺非肿块强化病变诊断中的可行性研究[J]. 南方医科大学学报, 2020, 40(4): 562-566. DOI: 10.12122/j.issn.1673-4254.2020.04.18.
ZHANG B, FENG L L, WANG L, et al. Kaiser score for diagnosis of breast lesions presenting as non-mass enhancement on MRI[J]. J South Med Univ, 2020, 40(4): 562-566. DOI: 10.12122/j.issn.1673-4254.2020.04.18.
[30]
ZHANG B, GUO Z Z, LEI Z, et al. Kaiser score diagnosis of breast MRI lesions: Factors associated with false-negative and false-positive results[J/OL]. Eur J Radiol, 2024, 178: 111641 [2026-05-13]. https://pubmed.ncbi.nlm.nih.gov/39053308/. DOI: 10.1016/j.ejrad.2024.111641.
[31]
HORVAT J V, DURANDO M, MILANS S, et al. Apparent diffusion coefficient mapping using diffusion-weighted MRI: impact of background parenchymal enhancement, amount of fibroglandular tissue and menopausal status on breast cancer diagnosis[J]. Eur Radiol, 2018, 28(6): 2516-2524. DOI: 10.1007/s00330-017-5202-4.
[32]
QU N, LUO Y H, YU T, et al. Differentiation between pure mucinous breast carcinomas and fibroadenomas with strong high-signal intensity on T2-weighted images from dynamic contrast-enhanced magnetic resonance imaging[J]. Breast Care, 2018, 13(1): 32-37. DOI: 10.1159/000479955.
[33]
ZHOU X Z, LIU L H, HE S, et al. Diagnostic value of Kaiser score combined with breast vascular assessment from breast MRI for the characterization of breast lesions[J/OL]. Front Oncol, 2023, 13: 1165405 [2026-05-13]. https://pubmed.ncbi.nlm.nih.gov/37483510/. DOI: 10.3389/fonc.2023.1165405.
[34]
贾敏, 王龙胜, 吴宗山, 等. Kaiser评分与邻近血管征对乳腺病变的诊断效能评价[J]. 安徽医学, 2024, 45(11): 1385-1389. DOI: 10.3969/j.issn.1000-0399.2024.11.009.
JIA M, WANG L S, WU Z S, et al. Evaluation of diagnostic efficacy of Kaiser score and adjacent vascular sign in breast lesions[J]. Anhui Med J, 2024, 45(11): 1385-1389. DOI: 10.3969/j.issn.1000-0399.2024.11.009.
[35]
杜亮, 张睿馨, 徐可佩, 等. Kaiser评分诊断MRI BI-RADS 4类亚厘米肿块的临床价值[J]. 中国中西医结合影像学杂志, 2023, 21(6): 656-662. DOI: 10.3969/j.issn.1672-0512.2023.06.012.
DU L, ZHANG R X, XU K P, et al. Clinical value of Kaiser score in diagnosis of sub-centimeter breast masses of BI-RADS Category 4 by MRI[J]. Chin Imag J Integr Tradit West Med, 2023, 21(6): 656-662. DOI: 10.3969/j.issn.1672-0512.2023.06.012.
[36]
AVDAN ASLAN A, GÜLTEKIN S. Diagnostic performance of Kaiser score in patients with newly diagnosed breast cancer: Factors associated with false-negative results[J/OL]. Eur J Radiol, 2023, 164: 110864 [2026-05-13]. https://pubmed.ncbi.nlm.nih.gov/37209464/. DOI: 10.1016/j.ejrad.2023.110864.
[37]
WOODHAMS R, KAKITA S, HATA H, et al. Diffusion-weighted imaging of mucinous carcinoma of the breast: evaluation of apparent diffusion coefficient and signal intensity in correlation with histologic findings[J]. AJR Am J Roentgenol, 2009, 193(1): 260-266. DOI: 10.2214/AJR.08.1670.
[38]
PARTRIDGE S C, DEMARTINI W B, KURLAND B F, et al. Quantitative diffusion-weighted imaging as an adjunct to conventional breast MRI for improved positive predictive value[J]. AJR Am J Roentgenol, 2009, 193(6): 1716-1722. DOI: 10.2214/AJR.08.2139.
[39]
潘佳玲, 李晓虹, 陈新杰, 等. Kaiser评分与表观扩散系数评价乳腺病灶的对比研究[J]. 磁共振成像, 2022, 13(6): 108-111, 116. DOI: 10.12015/issn.1674-8034.2022.06.021.
PAN J L, LI X H, CHEN X J, et al. A comparison of the Kaiser score and apparent diffusion coefficient mapping in the assessment of breast lesions[J]. Chin J Magn Reson Imaging, 2022, 13(6): 108-111, 116. DOI: 10.12015/issn.1674-8034.2022.06.021.
[40]
任晓梦, 刘晓春, 代天姿, 等. Kaiser评分与ADC值对乳腺BI-RADS 4类病变的诊断效能评价[J]. 磁共振成像, 2022, 13(9): 25-29, 34. DOI: 10.12015/issn.1674-8034.2022.09.005.
REN X M, LIU X C, DAI T Z, et al. Comparative assessment of MRI BI-RADS 4 breast lesions with Kaiser score and apparent diffusion coefficient value[J]. Chin J Magn Reson Imaging, 2022, 13(9): 25-29, 34. DOI: 10.12015/issn.1674-8034.2022.09.005.
[41]
AN Y Y, MAO G Q, AO W Q, et al. Can DWI provide additional value to Kaiser score in evaluation of breast lesions[J]. Eur Radiol, 2022, 32(9): 5964-5973. DOI: 10.1007/s00330-022-08674-x.
[42]
DIETZEL M, KRUG B, CLAUSER P, et al. A multicentric comparison of apparent diffusion coefficient mapping and the Kaiser score in the assessment of breast lesions[J]. Invest Radiol, 2021, 56(5): 274-282. DOI: 10.1097/RLI.0000000000000739.
[43]
COSKUN BILGE A, AYDIN H. Assessment of the contribution of the ADC value to the Kaiser score in the differential diagnosis of breast lesions with non-mass enhancement morphology on MRI[J/OL]. Eur J Radiol, 2024, 181: 111713 [2026-05-13]. https://pubmed.ncbi.nlm.nih.gov/39241300/. DOI: 10.1016/j.ejrad.2024.111713.
[44]
陆林, 郭亚飞, 赵鑫. 集成MRI与Kaiser评分对BI-RADS 4类乳腺病变的诊断价值[J]. 郑州大学学报(医学版), 2023, 58(6): 824-828. DOI: 10.13705/j.issn.1671-6825.2023.03.004.
LU L, GUO Y F, ZHAO X. Value of synthetic MRI combined with Kaiser score in differential diagno-sis of BI-RADS 4 category breast lesions[J]. J Zhengzhou Univ Med Sci, 2023, 58(6): 824-828. DOI: 10.13705/j.issn.1671-6825.2023.03.004.
[45]
GRIPPO C, JAGMOHAN P, HELBICH T H, et al. Correct determination of the enhancement curve is critical to ensure accurate diagnosis using the Kaiser score as a clinical decision rule for breast MRI[J/OL]. Eur J Radiol, 2021, 138: 109630 [2026-05-13]. https://pubmed.ncbi.nlm.nih.gov/33744507/. DOI: 10.1016/j.ejrad.2021.109630.
[46]
PÖTSCH N, VATTERONI G, CLAUSER P, et al. Using the Kaiser Score as a clinical decision rule for breast lesion classification: Does computer-assisted curve type analysis improve diagnosis [J]. Eur J Radiol, 2024, 170: 111271. DOI: 10.1016/j.ejrad.2023.111271.
[47]
CHEN Z W, ZHAO Y F, LIU H R, et al. Assessment of breast lesions by the Kaiser score for differential diagnosis on MRI: the added value of ADC and machine learning modeling[J]. Eur Radiol, 2022, 32(10): 6608-6618. DOI: 10.1007/s00330-022-08899-w.
[48]
高文霞, 盛美红, 肖建云, 等. 基于Kaiser评分临床-多参数MRI诊断模型在乳腺良恶性病变鉴别诊断中的价值[J]. 磁共振成像, 2024, 15(8): 117-123. DOI: 10.12015/issn.1674-8034.2024.08.018.
GAO W X, SHENG M H, XIAO J Y, et al. Value of a clinical-multiparametric MRI diagnostic model based on Kaiser score in the differential diagnosis of benign and malignant breast lesions[J]. Chin J Magn Reson Imaging, 2024, 15(8): 117-123. DOI: 10.12015/issn.1674-8034.2024.08.018.
[49]
易熙, 王月爱, 刘芳, 等. 基于Kaiser评分的乳腺MRI肿块诊断预测模型的构建与验证[J]. 磁共振成像, 2023, 14(5): 96-103. DOI: 10.12015/issn.1674-8034.2023.05.018.
YI X, WANG Y A, LIU F, et al. Development and validation of a predictive model for the diagnosis of breast MRI masses based on the Kaiser score[J]. Chin J Magn Reson Imaging, 2023, 14(5): 96-103. DOI: 10.12015/issn.1674-8034.2023.05.018.
[50]
YI X, WANG G L, YANG Y, et al. Development and validation of a diagnostic model for enhancing lesions on breast MRI: based on Kaiser score[J]. Acad Radiol, 2025, 32(2): 664-680. DOI: 10.1016/j.acra.2024.09.028.
[51]
LIANG Y T, WEI Z T, DAI Y, et al. An interpretable AI system reduces false-positive MRI diagnoses by stratifying high-risk breast lesions[J/OL]. Nat Commun, 2026, 17(1): 2263 [2026-05-13]. https://pubmed.ncbi.nlm.nih.gov/41629316/. DOI: 10.1038/s41467-026-69212-7.
[52]
EGHTEDARI M, CHONG A, RAKOW-PENNER R, et al. Current status and future of BI-RADS in multimodality imaging, from the AJR special series on radiology reporting and data systems[J]. AJR Am J Roentgenol, 2021, 216(4): 860-873. DOI: 10.2214/AJR.20.24894.

上一篇 多模态MRI在乳腺癌新辅助治疗疗效评估中的研究进展
下一篇 CT和MRI影像组学预测肝细胞癌术后复发的研究进展
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2