深度学习在乳腺癌诊疗中的应用：诊断、治疗与预后预测

作者及发表信息
本综述由来自中国三家医疗机构的联合团队完成：第一作者为Bitao Jiang（宁波市北仑区人民医院血液肿瘤科及浙江大学医学院附属第一医院北仑分院）、Lingling Bao（同单位），通讯作者为Bitao Jiang和Yingquan Ye（中国人民解放军联勤保障部队第906医院肿瘤科）。研究团队还包括Songqin He、Xiao Chen和Zhihui Jin等合作者。论文于2024年发表在*Breast Cancer Research*期刊（Volume 26, Article number: 137），遵循知识共享许可协议（CC BY-NC-ND 4.0）。

研究背景与目标
乳腺癌是全球女性最常见的恶性肿瘤，2020年新发病例超过230万，占女性癌症总数的四分之一。其高度异质性导致诊断、治疗和预后评估面临巨大挑战。传统病理分析依赖主观判断，存在诊断不一致性和效率低下等问题。随着深度学习（Deep Learning, DL）技术的发展，其在医学影像分析中展现出显著优势。本文综述了DL在乳腺癌病理影像中的应用进展，涵盖诊断、分子分型、治疗响应预测及预后评估，旨在为临床提供更精准的诊疗方案。

核心内容与主要观点

1. 深度学习在乳腺癌诊断中的应用
DL通过卷积神经网络（CNN）、生成对抗网络（GAN）等算法，显著提升了乳腺癌病灶识别、分级和分子标志物分析的准确性。
- 病灶检测与分类：
- Cruz-Roa等开发的CNN模型对全切片图像（WSI）中浸润性导管癌的检测F1分数达76%。
- Han等基于BreakHis数据集的分类模型对8类乳腺肿瘤的准确率达93.2%。
- Faster R-CNN和YOLO等目标检测模型在乳腺X线摄影中实现了95%以上的病灶定位精度。
- 淋巴结转移诊断：
Bejnordi等开发的DL算法诊断淋巴结转移的AUC（曲线下面积）为0.99，优于病理医师的0.88。
- 组织学分级：
Veta等通过CNN模型在有丝分裂检测挑战中取得F1分数0.61，提高了病理评估的一致性。
- 分子标志物预测：
Shamai等的DL系统可从H&E染色图像预测ER（雌激素受体）、PR（孕激素受体）等19种生物标志物状态，准确率达92%。

2. 深度学习在预后预测中的价值
DL通过整合组织形态学特征、多组学数据和临床信息，显著提升了预后评估的精准度。
- 肿瘤浸润淋巴细胞（TILs）分析：
Makhlouf等发现高TILs评分与较差生存率显著相关（HR=1.6-2.5）。
- 复发风险预测：
Klimov等基于WSI和临床数据的DL模型对导管原位癌（DCIS）10年复发风险的预测准确率达87%。
- 同源重组缺陷（HRD）预测：
Lazard等开发的DL模型从H&E切片预测HRD状态的AUC为0.86，可识别坏死、TILs密度等形态学特征。

3. 分子分型与个性化治疗
DL在激素受体（HR）、HER2状态和Ki-67指数评估中表现出色：
- HR状态：Naik等通过H&E图像预测HR表达的AUC达0.92。
- HER2评估：Che等的DL模型对HER2 IHC 0/3+图像的分类准确率为97.9%。
- 多组学整合：Yu等结合DCE-MRI影像和临床数据预测腋窝淋巴结转移的AUC为0.89。

4. 技术挑战与未来方向
- 数据局限性：标注数据稀缺、多中心数据异构性影响模型泛化能力。
- 算法透明度：DL的“黑箱”特性阻碍临床信任，需开发可解释性工具。
- 伦理与合规性：数据隐私、责任归属等问题需通过联邦学习等技术解决。
未来研究将聚焦多模态影像融合、大语言模型（LLM）辅助决策及前瞻性临床试验验证。

学术价值与实践意义
本文系统总结了DL在乳腺癌全流程管理中的应用：
1. 科学价值：揭示了DL在病理影像特征提取、分子分型和预后生物标志物挖掘中的潜力，为肿瘤异质性研究提供新思路。
2. 临床意义：
- 提升诊断效率，缓解病理医师资源不足问题。
- 通过低成本数字病理替代分子检测，助力医疗资源匮乏地区。
3. 技术革新：
- 提出结合Transformer与CNN的混合架构，兼顾局部与全局特征。
- 开发了基于智能手机的红外热成像自检工具，实现6秒快速筛查（准确率近100%）。

亮点总结
- 方法创新：首次将Inception MV4模型用于乳腺热成像分析，冷却凝胶增强对比度的设计显著提升检测灵敏度。
- 跨学科整合：将空间转录组学与WSI关联，预测基因突变（如TP53、PIK3CA）。
- 临床转化潜力：多项DL模型已进入临床试验（如NCT05243121、NCT04003558），验证其真实世界效能。

本文为乳腺癌精准诊疗提供了技术路线图，同时指出数据标准化、算法透明化和伦理框架构建是未来突破的关键。