Background: The epidemiological literature reports inconsistent associations between consumption or circulating concentrations of micro-nutrients and breast cancer risk. We investigated associations between genetically determined concentrations of 11 micro-nutrients (beta-carotene, calcium, copper, folate, iron, magnesium, phosphorus, selenium, vitamin B6, vitamin B12 and zinc) and breast cancer risk using Mendelian randomization (MR). Materials and methods: A two-sample MR study was conducted using 122,977 women with breast cancer, of whom 69,501 were estrogen receptor positive (ER+ve) and 21,468 were ER-ve, and 105,974 controls from the Breast Cancer Association Consortium. MR analyses were conducted using the inverse variance weighted approach, and sensitivity analyses were conducted to assess the impact of potential violations of MR assumptions. Results: One standard deviation (SD: 0.08 mmol/L) higher genetically determined concentration of magnesium was associated with a 17% (odds ratio [OR]: 1.17, 95% confidence interval [CI]: 1.10 to 1.25, P=9.1×10-7) and 20% (OR: 1.20, 95% CI: 1.08 to 1.34, P=3.2×10-6) higher risk of overall and ER+ve breast cancer, respectively. An inverse association was observed for a SD (0.5 mg/dL) higher genetically determined phosphorus concentration and ER-ve breast cancer (OR: 0.84, 95% CI: 0.72 to 0.98, P=0.03). A suggestive inverse association was observed for a SD (0.48 mg/dL) higher genetically determined calcium concentration with overall breast cancer (OR: 0.91, 95% CI: 0.83 to 1.00, P=0.06). There was little evidence that any of the other nutrients were associated with breast cancer. The results for magnesium were robust under all sensitivity analyses. Conclusions: Higher circulating concentrations of magnesium, phosphorus and calcium may affect breast cancer risk. Further work is required to replicate these findings and investigate underlying mechanisms.

Integrating learning spacing in medicine has shown promise in enhancing knowledge retention and diagnostic proficiency. While studies demonstrate the effectiveness of spaced learning in various fields, limited research exists on its application in radiological training. This study aims to investigate the impact of intervals in spaced training on radiologists' and trainees' diagnostic performance via mammogram test sets.

Physical activity has been associated with lower risks of breast and colorectal cancer in epidemiological studies; however, it is unknown if these associations are causal or confounded. In two-sample Mendelian randomization analyses, using summary genetic data from the UK Biobank and GWA consortia, we found that a one standard deviation increment in average acceleration was associated with lower risks of breast cancer (odds ratio [OR]: 0.59, 95% confidence interval [CI]: 0.42 to 0.84, P-value=0.003) and colorectal cancer (OR: 0.66, 95% CI: 0.53 to 0.82, P-value=2*E-4). We found similar magnitude inverse associations by breast cancer subtype and by colorectal cancer anatomical site. Our results support a potentially causal relationship between higher physical activity levels and lower risks of breast cancer and colorectal cancer. Based on these data, the promotion of physical activity is probably an effective strategy in the primary prevention of these commonly diagnosed cancers.

Abstract Background Observational studies have reported either null or weak protective associations for coffee consumption and risk of breast cancer. Methods We conducted a two-sample Mendelian randomization randomization (MR) analysis to evaluate the relationship between coffee consumption and breast cancer risk using 33 single-nucleotide polymorphisms (SNPs) associated with coffee consumption from a genome-wide association (GWA) study on 212,119 female UK Biobank participants of White British ancestry. Risk estimates for breast cancer were retrieved from publicly available GWA summary statistics from the Breast Cancer Association Consortium (BCAC) on 122,977 cases (of which 69,501 were estrogen receptor (ER)-positive, 21,468 ER-negative) and 105,974 controls of European ancestry. Random-effects inverse variance weighted (IVW) MR analyses were performed along with several sensitivity analyses to assess the impact of potential MR assumption violations. Results One cup per day increase in genetically predicted coffee consumption in women was not associated with risk of total (IVW random-effects; odds ratio (OR): 0.91, 95% confidence intervals (CI): 0.80-1.02, P: 0.12, P for instrument heterogeneity: 7.17e-13), ER-positive (OR=0.90, 95% CI: 0.79-1.02, P: 0.09) and ER-negative breast cancer (OR: 0.88, 95% CI: 0.75-1.03, P: 0.12). Null associations were also found in the sensitivity analyses using MR-Egger (total breast cancer; OR: 1.00, 95% CI: 0.80-1.25), weighted median (OR: 0.97, 95% CI: 0.89-1.05) and weighted mode (OR: 1.00, CI: 0.93-1.07). Conclusions The results of this large MR study do not support an association of genetically predicted coffee consumption on breast cancer risk, but we cannot rule out existence of a weak inverse association.

Abstract Although the value of adding AI as a surrogate second reader in various scenarios has been investigated, it is unknown whether implementing an AI tool within double reading practice would capture additional subtle cancers missed by both radiologists who independently assessed the mammograms. This paper assesses the effectiveness of two state-of-the-art Artificial Intelligence (AI) models in detecting retrospectively-identified missed cancers within a screening program employing double reading practices. The study also explores the agreement between AI and radiologists in locating the lesions, considering various levels of concordance among the radiologists in locating the lesions. The Globally-aware Multiple Instance Classifier (GMIC) and Global–Local Activation Maps (GLAM) models were fine-tuned for our dataset. We evaluated the sensitivity of both models on missed cancers retrospectively identified by a panel of three radiologists who reviewed prior examinations of 729 cancer cases detected in a screening program with double reading practice. Two of these experts annotated the lesions, and based on their concordance levels, cases were categorized as 'almost perfect,' 'substantial,' 'moderate,' and 'poor.' We employed Similarity or Histogram Intersection (SIM) and Kullback–Leibler Divergence (KLD) metrics to compare saliency maps of malignant cases from the AI model with annotations from radiologists in each category. In total, 24.82% of cancers were labeled as “missed.” The performance of GMIC and GLAM on the missed cancer cases was 82.98% and 79.79%, respectively, while for the true screen-detected cancers, the performances were 89.54% and 87.25%, respectively ( p -values for the difference in sensitivity < 0.05). As anticipated, SIM and KLD from saliency maps were best in ‘almost perfect,’ followed by ‘substantial,’ ‘moderate,’ and ‘poor.’ Both GMIC and GLAM ( p -values < 0.05) exhibited greater sensitivity at higher concordance. Even in a screening program with independent double reading, adding AI could potentially identify missed cancers. However, the challenging-to-locate lesions for radiologists impose a similar challenge for AI.

Quality assurance (QA) in medical imaging ensures consistently high-quality images at acceptable radiation doses. However, the applicability of the chest X-ray (CXR) QA tool in images with pathology, particularly infectious diseases like COVID-19, has not been explored. This study examines the utility of the European Guidelines for image quality in QA of CXRs with varying severity and types of infectious disease.