作者与发表信息 本文由来自上海科技大学（Shanghaitech University）和上海联影智能医疗科技有限公司（Shanghai United Imaging Intelligence Co., Ltd.）的研究人员 Jiadong Zhang, Jiaojiao Wu, Xiang Sean Zhou, Feng Shi, Dinggang Shen 共同撰写，发表于 2023年 的 《Seminars in Cancer Biology》 期刊上。这是一份在线预印版本，涵盖了投稿、修改和接受的完整时间线。
论文主题与性质 本文题为《人工智能在乳腺癌领域的最新进展：图像增强、分割、诊断与预后方法》（“Recent advancements in artificial intelligence for breast cancer: image augmentation, segmentation, diagnosis, and prognosis approaches”）。它是一篇系统性综述论文，旨在全面梳理和总结人工智能（Artificial Intelligence, AI）技术在乳腺癌成像分析各个方面的应用现状、技术细节、挑战与未来展望。
主要观点阐述
一、 研究背景与临床需求：乳腺癌的全球挑战与AI的机遇 乳腺癌是全球发病率最高的癌症，也是导致女性癌症相关死亡的主要原因之一。早期筛查和准确诊断对于改善患者预后至关重要。临床实践中，乳腺癌的评估依赖于多种影像学模态，包括数字乳腺X线摄影（Digital Mammography, DM）、数字乳腺断层合成摄影（Digital Breast Tomosynthesis, DBT）、超声（Ultrasound, US）、磁共振成像（Magnetic Resonance Imaging, MRI）、核医学技术以及作为金标准的组织病理学（Histopathology, HP）。然而，这些影像数据量大且复杂，解读高度依赖医生的经验和主观判断，存在工作量大、诊断一致性可能不足等问题。人工智能技术，特别是机器学习（Machine Learning, ML）和深度学习（Deep Learning, DL），因其强大的模式识别和量化分析能力，展现出辅助乳腺癌全流程诊疗的巨大潜力。本文的核心目的即在于系统性回顾AI如何通过图像增强、病灶分割、良恶性诊断、分子分型预测及预后评估等多个环节，赋能乳腺癌的临床工作流，实现更精准、高效的个体化医疗。
二、 AI赋能乳腺癌图像质量提升：从增强、合成到生成 为了确保诊断准确性和训练稳健的AI模型，高质量的图像数据是关键。本部分综述了AI在乳腺图像增强、合成与生成三方面的应用。 * 图像增强：AI可用于提升图像质量，如减少噪声、提高分辨率以及进行域适应（Domain Adaptation）以解决因不同扫描设备或协议导致的图像风格差异。例如，有研究使用生成对抗网络（Generative Adversarial Network, GAN）对低分辨率动态增强MRI进行超分辨率重建，或使用风格迁移网络统一来自不同厂商的乳腺X线图像风格，从而提高下游计算机辅助诊断（Computer-Aided Diagnosis, CAD）模型在不同数据源上的泛化能力。 * 图像合成：AI可以合成一种模态的图像以替代或补充另一种模态，从而减少患者风险或检查成本。例如，利用DBT数据合成DM图像，有望在不增加额外辐射暴露的情况下获得二维视图信息；利用B模式超声合成弹性超声图像，可以提供肿瘤硬度信息，而无需昂贵的专用硬件；利用对比剂注射前的MRI图像合成注射后的图像，可减少对比剂使用风险；在病理学中，AI甚至可以从未染色的切片生成虚拟免疫组化染色图像，加速分析流程。 * 图像生成：为了解决医学图像数据标注稀缺的问题，GAN等生成模型被用于生成逼真的合成图像，以扩充训练数据集，提高AI模型的泛化性能和鲁棒性。这在DM、US、MRI和HP等多种模态中均有应用。
三、 AI实现精准的乳腺病灶检测与分割 准确识别和勾画病灶是制定治疗计划的基础。AI为此提供了自动、可靠的解决方案。 * 病灶检测：主要分为两类方法。一是直接使用目标检测网络（如R-CNN, YOLO）定位病灶区域；二是利用分类网络（如CNN）及其类激活图（Class Activation Map, CAM）来突出显示病灶的感兴趣区域（Region of Interest, ROI）。 * 病灶分割：分割能提供更精细的形态学信息。文章按影像模态详细总结了技术进展： * DM/DBT：U-Net及其变体（如Res-UNet, Dense-UNet）、GAN和Transformer是主流方法。研究重点在于开发多尺度网络结构以适应不同大小的肿块，例如通过多尺度输入、多尺度特征提取（如使用空洞空间金字塔池化 Atrous Spatial Pyramid Pooling, ASPP）或多尺度监督来实现。 * 超声：除了基本的CNN和U-Net架构，引入注意力机制和Transformer模块以建模长程依赖关系是当前趋势。融合先验知识（如从原始射频数据生成的定量参数图）和利用空间上下文信息（多任务学习）或时序信息（超声视频的帧间关系）能进一步提升分割精度。 * MRI：由于MRI对病灶和周围组织对比度敏感，2D/3D U-Net及其变体（如Res-UNet）表现优异。针对动态增强MRI的多时相特性，研究利用了对比增强前后的图像差异作为先验，或开发了时空分割框架来捕捉对比剂随时间的动态变化，从而更精确地分割肿瘤。 * 全玻片图像：WSI尺寸极大，无法直接进行像素级处理。常见策略是先进行块级分类（将WSI切割成小块并进行分类），然后再将分类结果聚合成分割图。
四、 AI辅助乳腺癌诊断：从良恶性判断到分子分型 AI在乳腺癌诊断中的应用已超越简单的良恶性鉴别，向更精细的生物学表征发展。 * 良恶性与BI-RADS分类：大量研究使用CNN（如ResNet, DenseNet）、长短时记忆网络（Long Short-Term Memory, LSTM）和Transformer等网络，基于各种影像模态预测病变的恶性概率或乳腺影像报告和数据系统（Breast Imaging-Reporting and Data System, BI-RADS）类别。利用多视角一致性（如DM的MLO和CC视图）或解剖结构层差信息可以提高准确性。由于医学数据有限，迁移学习被广泛采用以缓解过拟合问题。 * 分子亚型分类：乳腺癌可分为Luminal A, Luminal B, HER2阳性和三阴性四种分子亚型，对治疗和预后至关重要。研究尝试直接从影像（如DCE-MRI、超声、DM）中预测这些亚型，为实现无创的分子分型提供了可能。跨中心验证显示了此类模型的潜在鲁棒性。 * 肿瘤分期与分级：AI技术也被用于辅助TNM分期（评估肿瘤大小T、淋巴结转移N、远处转移M）和组织学分级。例如，通过AI模型检测淋巴结转移、改进分类模型来评估肿瘤侵袭性，可以显著减轻临床医生和病理学家的工作负担。
五、 AI预测乳腺癌预后：整合多组学数据 预后预测是精准医疗的核心。鉴于乳腺癌病因复杂，需要整合多层次信息。 * 多组学技术：AI擅长整合放射组学（从影像中提取定量特征）、病理组学、基因组学、转录组学等多组学数据，以揭示影像表型与生物学机制（如基因突变、免疫微环境）之间的关联，并开发预测预后的影像学生物标志物。 * 淋巴结转移预测：基于多模态影像（尤其是DCE-MRI）的AI放射组学模型，在预测腋窝淋巴结（ALN）和前哨淋巴结（SLN）转移方面表现出良好性能。结合临床信息构建的列线图模型能提供最佳预测效果。超声、PET和病理WSI也能提供有价值的预测信息。 * 治疗反应预测：对于接受新辅助化疗（Neoadjuvant Chemotherapy, NAC）的患者，早期预测病理完全缓解（Pathological Complete Response, pCR）至关重要。基于治疗前DCE-MRI的放射组学特征可有效预测pCR。纵向监测治疗前后影像的变化（通过AI捕捉动态信息）能进一步提高预测准确性。核医学（PET）和病理学信息也被证明具有预测价值。 * 生存结局预测：AI放射组学分析已被广泛用于预测患者的无病生存期（Disease-Free Survival, DFS）、总生存期（Overall Survival, OS）和复发风险。整合放射组学与基因组学（放射基因组学 Radiogenomics）信息，例如关联影像特征与多基因表达谱（如Oncotype DX），能够更准确地预测生存结局，实现风险分层。
六、 可用数据集与面临的挑战 为了促进该领域发展，文章系统总结了公开可用的乳腺癌影像数据库，涵盖了DM、US、MRI和HP等多种模态，为研究者训练和验证模型提供了资源。 尽管前景广阔，AI在乳腺癌临床实践中的广泛应用仍面临挑战： 1. 数据稀缺与异质性：高质量标注数据获取困难，且不同机构的数据存在显著的域间差异。 2. 模型性能与可解释性：大多数AI模型基于回顾性数据开发，缺乏前瞻性验证以证明其临床效用。模型的“黑箱”特性也影响了临床医生的信任度，需要增强模型的可解释性和透明度。 3. 伦理与监管问题：涉及算法决策的责任归属、数据安全与隐私、公众接受度以及避免过度依赖自动化等问题，都需要在临床部署前进行充分考量。
七、 未来展望与结论 展望未来，AI在乳腺癌成像中的作用将日益重要。首先，多模态影像（如MRI与超声）的融合有望提升诊断性能。更重要的是，AI有巨大潜力整合来自影像、病理、基因组、社会网络等多源数据流，构建特定领域的大语言模型，为患者提供量身定制的诊断、分期、治疗和预后方案。这种模型还能以自然语言形式重组视觉模型的输出，优化决策信息呈现。 总而言之，本文系统综述了人工智能在乳腺癌图像增强、分割、诊断和预后等关键环节的最新进展，总结了可用资源，并直面了当前临床应用中的主要挑战。在精准医疗的背景下，AI通过整合多组学数据，有望构建强大的诊疗系统，加速实现真正意义上的患者个体化管理，最终提升诊疗效果并减轻医生负担。