乳腺肿瘤影像AI研究和应用现状

乳腺肿瘤检测、分割和良性与恶性鉴别

在乳腺肿瘤检测、分割和良性与恶性鉴别方面，国内外AI团队的研究涉及乳腺X线、数字乳腺断层摄影术（digital breast tomosynthsis，DBT）、动态增强 MRI（dynamic contrast enhanced MRI，DCE-MRI）和乳腺超声等领域，并且已有部分转化成果产出。

基于深度学习的乳腺X线AI系统，在肿块和钙化检测方面几乎与医学影像专家的水准相当，在病灶的良性与恶性判别上甚至超越了一般医学影像医师的水平，而融合X线影像和临床特征的深度学习模型，则可以进一步提升乳腺影像报告和数据系统（breast imaging reporting and data system，BI-RADS）4类微钙化病灶良性与恶性鉴别的精度。

DBT、DCE-MRI影像研究

在DBT、DCE-MRI影像研究方面，基于影像组学的AI模型可以无创辅助鉴别乳腺肿瘤的良性与恶性，具有较高的灵敏度，能够辅助降低推荐的活体组织检查次数。此外，基于超声影像的AI系统也可以对乳腺肿块进行更细致的分类，提高诊断准确度，指导乳腺肿瘤患者的治疗。

目前，应用于临床的乳腺相关辅助诊断系统大多集中于乳腺传统X线成像，国产乳腺影像相关AI产品的性能接近国际产品水平，但尚未有Al辅助乳腺影像诊断软件真正的落地。部分国外已经通过FDA批准的项目目前正在国内开展临床试验，希望能尽快应用于临床。

乳腺癌分子亚型研究

乳腺癌的临床亚型与治疗方案选择密切相关，可直接影响治疗效果。在乳腺癌分子亚型研究方面，Al技术可以通过图像分析预测乳腺癌的分子亚型，为治疗方案选择提供技术支持。

研究证实，通过开发和验证可解释、可重复的机器学习模型，能够从临床信息、乳腺X线和MRI图像中预测乳腺癌的分子亚型。而基于超声影像的深度学习方法，则可以结合免疫组织化学方法对浸润性导管癌进行诊断，结果显示受体状态与分子亚型有很强的相关性。以上针对乳腺癌分子亚型的研究证实，融合不同模态的乳腺影像构建AI模型预测乳腺癌的分子亚型，可为临床的个性化精准治疗提供有利依据。

乳腺癌淋巴结转移的临床评估

淋巴结转移存在与否，可直接影响临床治疗决策及乳腺癌的预后。在乳腺癌淋巴结转移的临床评估方面，Al技术可以早期预测临床淋巴结阴性的乳腺癌患者腋窝淋巴结转移状态。

研究证实，融合MRI影像组学特征与临床、病理和分子特征的多组学特征融合Al模型，不仅能够在治疗前准确预测早期浸润性乳腺癌腋窝淋巴结转移风险，而且可以挖掘MRI影像组学特征与肿瘤微环境（包括免疫细胞、长链非编码RNA和甲基化位点类型）之间的关联性信息。而基于超声图像的深度学习模型能通过原发性乳腺癌患者的肿瘤异质性信息，有效预测临床阴性腋窝淋巴结转移。由此可见，基于乳腺影像的Al技术可以早期预测乳腺癌的疾病发展趋势，从而为治疗争取更多的时间，延长生存时间，提高生活质量。

乳腺癌NAC疗效预测和预后评估

NAC是乳腺癌规范化治疗方案之一，可以使肿瘤降期，提高患者保乳率。在乳腺癌NAC疗效预测和预后评估方面，AI技术能够挖掘乳腺肿瘤影像的异质特征，可以早期预测患者NAC疗效，实现个体化精准医疗，在乳腺癌临床诊断和综合治疗中具有指导性作用。

研究证实，与Oncotype DX复发评分相关的术前DCE-MRI影像组学特征，不仅可以评估乳腺癌NAC治疗效果，还能够预测生存情况。而基于多时间点超声图像的深度学习模型，可以提升乳腺癌NAC治疗疗效预测的精度。因此，基于乳腺影像的AI技术可以早期预测乳腺癌NAC疗效和预后，从而为患者提供个性化的精准治疗方案。