人工智能在乳腺癌影像学中的应用进展与未来趋势
作者与发表信息
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）及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（55卷，358-370页）。
主题与背景
乳腺癌是全球女性最常见的恶性肿瘤之一，2022年新增病例达230万例。乳腺癌具有高度异质性，其临床、组织病理学及分子水平的多样性导致治疗反应和预后差异显著。影像学技术（如乳腺X线摄影、数字乳腺断层合成、超声、磁共振成像及核医学技术）在乳腺癌筛查、诊断、分子分型和疗效评估中至关重要。然而，传统影像分析依赖人工解读，效率低且易受主观因素影响。人工智能（Artificial Intelligence, AI）通过深度学习（Deep Learning, DL）和机器学习（Machine Learning, ML）技术，正逐步改变这一现状。本文综述了AI在乳腺癌影像学中的最新应用、新兴趋势及未来挑战。
主要观点与论据
AI在乳腺癌影像学中的多模态应用
- 乳腺X线摄影（Mammography）：AI通过卷积神经网络（CNN）如VGGNet和ResNet，实现乳腺病变检测（AUC>0.9）和风险分层（5年风险预测AUC=0.70）。例如，Yala等开发的混合DL模型结合乳腺密度和家族史，显著提升高风险人群筛查效率。
- 数字乳腺断层合成（Digital Breast Tomosynthesis, DBT）：DBT通过多平面成像克服致密乳腺组织的干扰，AI模型通过迁移学习（Transfer Learning）在DBT上实现肿块检测（AUC从0.81提升至0.9）。
- 超声（Ultrasound）：AI结合注意力机制（Attention Mechanism）的U-Net模型，实现肿瘤分割（Dice相似系数DSC=0.9）和良恶性分类（AUC=0.86-0.93）。
- 磁共振成像（MRI）：动态增强MRI（DCE-MRI）的AI分割模型可精确测量肿瘤体积（DSC>0.8），并预测新辅助化疗（Neoadjuvant Chemotherapy, NAC）的病理完全缓解（Pathologic Complete Response, pCR，AUC=0.90）。
- 正电子发射断层扫描（PET）：AI通过放射组学（Radiomics）预测腋窝淋巴结转移（AUC=0.94）和分子亚型（如三阴性乳腺癌AUC=0.77）。
新兴AI技术趋势
- 多模态数据整合：通过决策融合（Decision Fusion）和特征融合（Feature Fusion）整合影像、临床和基因组数据。例如，Arya等结合基因表达和影像特征，将乳腺癌预后预测准确率提升至74.75%。
- 大型基础模型（Large Foundation Models）：如GPT-4在乳腺癌管理中的潜力，可生成结构化报告（数据挖掘准确率89.6%）并辅助临床决策。
- 自监督学习（Self-Supervised Learning, SSL）：通过对比学习（Contrastive Learning）利用无标注数据提升模型性能。例如，Ciga等在57个无标注病理数据集上训练的模型优于传统ImageNet预训练网络。
- 联邦学习（Federated Learning, FL）：保护数据隐私的同时，跨机构协作优化模型。研究显示FL在乳腺X线摄影和病理图像分析中表现优异，但面临数据异构性和网络带宽限制。
临床应用的挑战与前景
- 数据标准化与泛化性：影像设备、协议和人群差异导致模型跨机构性能不稳定。需建立统一的数据采集和标注标准。
- 大规模多模态数据集：缺乏公开的多模态数据集（如影像与文本报告配对）限制大型模型的开发。未来需推动数据共享与协作。
- 前瞻性临床验证：现有研究多基于回顾性数据，需通过大规模前瞻性试验验证AI的临床效用。例如，FDA审批需证明AI系统在不同医疗环境中的稳定性和安全性。
意义与价值
本文系统总结了AI在乳腺癌影像学中的技术进展，为研究者提供了以下价值：
1. 技术整合指南：详述了AI在不同影像模态中的优化策略，如多模态融合和联邦学习的实践方案。
2. 临床转化路径：指出数据标准化和前瞻性试验是AI落地临床的关键瓶颈。
3. 未来方向：大型基础模型和自监督学习有望突破标注数据不足的限制，推动个性化诊疗。
亮点
- 全面性：覆盖从筛查到预后预测的全流程AI应用，涉及5种影像模态和10余种AI算法。
- 前沿性：首次综述了GPT-4等大型模型在乳腺癌中的潜力。
- 批判性：明确指出现有技术的局限性（如PET灵敏度不足、FL的异构性问题），为后续研究提供靶点。
本文不仅为学术界梳理了技术脉络，也为临床医生和政策制定者提供了AI落地的实践框架，是乳腺癌影像AI领域的重要参考。