人工智能在乳腺癌影像学中的最新进展与未来趋势

本文由Yizhou Chen（伯尔尼大学核医学科）、Xiaoliang Shao（苏州大学第三附属医院核医学科）、Kuangyu Shi（伯尔尼大学核医学科）、Axel Rominger（伯尔尼大学核医学科）和Federico Caobelli（伯尔尼大学核医学科）共同撰写，发表于2025年的*Seminars in Nuclear Medicine*期刊（卷55，页码358-370）。这是一篇开放获取的综述文章，旨在系统总结人工智能（Artificial Intelligence, AI）在乳腺癌影像学中的应用现状、新兴趋势及未来挑战。

核心观点与内容

1. AI在乳腺癌影像学中的多模态应用

AI技术已广泛应用于乳腺癌的早期检测、诊断、分子分型及预后评估，覆盖多种影像学模态： - 乳腺X线摄影（Mammography）：AI通过卷积神经网络（CNN）如VGGNet和ResNet实现病灶检测（AUC>0.9）和风险分层（5年风险预测AUC=0.70），尤其在微钙化灶分割中表现优异（Dice相似系数DSC=0.8–0.97）。 - 数字乳腺断层合成（Digital Breast Tomosynthesis, DBT）：AI在密集乳腺组织中优于传统X线摄影，通过迁移学习提升肿块检测性能（AUC从0.81提升至0.9）。 - 超声（Ultrasound）：结合注意力机制的深度学习模型（如AAU-Net）可区分良恶性病灶（AUC=0.864–0.934），但受操作者依赖性影响较大。 - 磁共振成像（MRI）：动态增强MRI（DCE-MRI）的AI分割模型能精确测量肿瘤体积（DSC>0.8），多序列融合可提升诊断性能（AUC提高2%）。 - 正电子发射断层扫描（PET）：AI在晚期乳腺癌分期和治疗监测中更具价值，但小病灶敏感性较低（如18F-FDG PET/CT对骨转移分割的敏感性为39%）。

证据支持：多项研究（如Lotter等2021年*Nature Medicine*论文）表明，AI在乳腺X线摄影中的表现接近放射科医生水平；Zhou等（2021年*EBioMedicine*）通过多模态超声模型预测分子亚型的AUC达0.87–0.97。

2. 新兴AI技术趋势

• 多模态数据整合：通过决策融合（加权平均）和特征融合（神经网络串联）结合影像、临床与基因组数据。例如，Arya等（2023年）整合基因表达数据后，乳腺癌预后预测的平衡准确率达74.75%。
• 大型基础模型（Large Foundation Models）：如GPT-4在乳腺癌管理中的潜力，Sorin等（2023年）验证其辅助肿瘤委员会决策的能力，但特定任务（如多视角乳腺X线预测）中未超越小模型。
• 自监督学习（Self-Supervised Learning, SSL）：利用对比学习（如BYOL算法）从无标注数据中提取特征，在乳腺X线数据增强中使AUC提升10%以上（Cao等2025年）。
• 联邦学习（Federated Learning, FL）：保护数据隐私的分布式学习范式，但面临数据异构性和带宽限制的挑战（如Kumbhare等2023年研究）。

3. AI在乳腺癌临床管理中的具体应用

• 肿瘤特征分析

  • 分期（Staging）：AI通过超声或MRI分割预测原发肿瘤大小（DSC=0.8–0.9），并辅助淋巴结转移诊断（如Xu等2021年基于活检幻灯片的模型AUC=0.816）。
    
  • 分子分型（Molecular Subtyping）：基于超声或MRI的AI模型可区分Luminal A、HER2+等亚型（如Zhang等2021年模型准确率88.07%）。
    
  • 基因表达预测：深度学习从病理图像中预测100余种基因表达（如He等2020年*Nature Biomedical Engineering*研究）。
    

• 治疗监测与预后

  • 复发预测：Kim等（2021年）结合临床特征的深度学习模型对2年、5年复发的AUC达0.90–0.91。
    
  • 病理完全缓解（pCR）评估：DCE-MRI联合临床特征的CNN模型预测pCR的AUC为0.90（Comes等2021年）。
    

4. 当前挑战与未来方向

• 数据标准化与泛化性：影像设备、协议差异导致模型跨机构性能下降，需统一数据采集标准（如Garrucho等2023年针对乳腺密度的研究）。
  
• 大规模多模态数据集：缺乏公开的影像-文本配对数据（如类似BioMedCLIP的1500万科学图像数据集）。
  
• 前瞻性临床验证：现有研究多基于回顾性数据，需FDA批准的严格试验（如Witowski等2022年*Science Translational Medicine*研究）。
  
• 伦理与隐私：联邦学习虽保护数据，但需解决训练速度与异构性问题（Peta等2023年）。
  

论文的价值与意义

本文全面梳理了AI在乳腺癌影像学中的技术进展，强调了多模态整合、基础模型和隐私保护技术的潜力，同时指出数据标准化和临床验证的紧迫性。其科学价值在于为研究者提供了技术路线图，而应用价值则体现在辅助临床决策、降低筛查成本（如缓解放射科医生短缺问题）和个性化治疗设计。

亮点：
1. 首次系统比较AI在不同影像模态中的性能差异；
2. 提出大型基础模型与自监督学习在医学影像中的革新潜力；
3. 结合临床需求（如分子分型、pCR预测）探讨AI的落地挑战。

本文为未来研究指明了方向，包括开发跨模态通用模型、优化联邦学习算法，以及推动伦理框架建设。