包凌云 張華

據(jù)2020年全球腫瘤年報(bào)統(tǒng)計(jì)數(shù)據(jù)顯示乳腺癌已超過肺癌成為全球最常見的惡性腫瘤，在所有癌癥中占比高達(dá)11.7%，發(fā)病率和死亡率在全球大多數(shù)國(guó)家中均排名第一位[1]。早期乳腺癌臨床治愈率可高達(dá)90%以上[2]，因此乳腺癌的早期發(fā)現(xiàn)、早期診斷及治療至關(guān)重要。影像學(xué)檢查是乳腺癌篩查及診斷的重要手段，超聲檢查具有實(shí)時(shí)、無輻射、低成本、便攜、不受致密腺體影響等優(yōu)點(diǎn)，在我國(guó)是首選檢查方法[3]。乳腺超聲包括二維（2D）手持超聲（handheld ultrasound，HHUS）和三維（3D）自動(dòng)乳腺容積超聲（automated breast ultrasound，ABUS）。HHUS 是最主要的檢查方法，但由于其依賴操作者的經(jīng)驗(yàn)，掃查不完整易造成漏診，不同年資醫(yī)師的診斷差異較大。ABUS 是一種新型的乳腺超聲成像，采用自動(dòng)掃描、3D 重建技術(shù)，具備標(biāo)準(zhǔn)化和可重復(fù)等優(yōu)點(diǎn)，便于進(jìn)行隨訪比較，在遠(yuǎn)程診斷及乳腺癌篩查體現(xiàn)一定優(yōu)勢(shì)，但同時(shí)存在圖像采集及閱片時(shí)間長(zhǎng)等不足[4]。近年來，隨著計(jì)算機(jī)的快速發(fā)展，計(jì)算機(jī)輔助診斷和檢測(cè)（computer-aided diagnosis，CADx；computer-aided detection，CADe）越來越多地應(yīng)用于乳腺超聲中[2，5]。運(yùn)用算法對(duì)圖像進(jìn)行處理和分析，涉及的方法可分為傳統(tǒng)的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，而深度學(xué)習(xí)是算法模型研究的熱門，尤其是卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）。深度學(xué)習(xí)與超聲成像融合主要用于病灶的檢測(cè)識(shí)別以及精確分類，為提升超聲醫(yī)師診斷效能、縮短診斷時(shí)間等提供有效的幫助。本文對(duì)深度學(xué)習(xí)在2D 和3D 乳腺超聲中的研究進(jìn)展作一述評(píng)并報(bào)道如下。

1 深度學(xué)習(xí)概述

深度學(xué)習(xí)和機(jī)器學(xué)習(xí)都是人工智能的子集，均可用于醫(yī)學(xué)圖像的分類處理，傳統(tǒng)的機(jī)器學(xué)習(xí)模型需要手工提取圖像特征，操作流程復(fù)雜且無通用的標(biāo)準(zhǔn)，擬合能力較差，而深度學(xué)習(xí)模型模擬人腦機(jī)制，使用神經(jīng)網(wǎng)絡(luò)“端到端”模式完成圖像特征提取并分類[6]。CNN 是醫(yī)學(xué)圖像中最常用的深度學(xué)習(xí)算法，自1989年問世以來被廣泛應(yīng)用于病灶的檢測(cè)和診斷[6-8]。一個(gè)典型的CNN 架構(gòu)包含輸入層、卷積層、激活層、池化層及全連接層[5，9]。利用輸入層進(jìn)行圖像預(yù)處理，卷積層進(jìn)行特征提取，池化層壓縮網(wǎng)絡(luò)參數(shù)后發(fā)送至全連接層完成圖像分類。此外，通過優(yōu)化器降低預(yù)測(cè)值與真實(shí)值（Label）之間的損失實(shí)現(xiàn)整體網(wǎng)絡(luò)參數(shù)學(xué)習(xí)。CNN 工作流程見圖1。

圖1 CNN 工作流程圖

2 深度學(xué)習(xí)在乳腺超聲中的應(yīng)用

2.1 乳腺病灶分割與檢測(cè) 準(zhǔn)確分割乳腺超聲病灶有助于乳腺癌的早期診斷和后期治療評(píng)估。手動(dòng)勾畫感興趣區(qū)（region of interest，ROI）需要消耗大量時(shí)間和精力，隨著深度學(xué)習(xí)在醫(yī)學(xué)影像的應(yīng)用，許多研究聚焦在乳腺病灶自動(dòng)分割。由于2D 灰階圖像散斑噪聲高、信噪比低、病灶形態(tài)不規(guī)則、回聲不均勻等因素給圖像自動(dòng)分割帶來巨大挑戰(zhàn)[10]。Kumar 等[11]提出了一種基于CNN 的Multi U-net 算法，對(duì)258 例女性乳腺超聲圖像進(jìn)行了分割，實(shí)現(xiàn)了圖像的實(shí)時(shí)分割達(dá)13～55 ms/張，分割效果明顯優(yōu)于傳統(tǒng)U-net 算法，平均相似系數(shù)（Dice 相似系數(shù)）高達(dá)82.0%，假陽性率僅為1.0%，表明該算法模型具有潛在的臨床應(yīng)用價(jià)值。Hu等[12]又將全卷積神經(jīng)網(wǎng)絡(luò)模型（dilated fully convolutional network，DFCN）與基于相位信息的動(dòng)態(tài)輪廓模型（phase-based active contour，PBAC）相結(jié)合分割了170 幅乳腺超聲圖像，該模型自動(dòng)分割效果和手工分割相當(dāng)，平均Dice 系數(shù)高達(dá)88.97%，證實(shí)該方法在醫(yī)學(xué)圖像分析中可部分替代手工分割。隨后，一種由全局引導(dǎo)模塊和腫塊邊界檢測(cè)模塊組成新的神經(jīng)網(wǎng)絡(luò)模型（GG-Net）被開發(fā)[10]，進(jìn)一步改善了乳腺病變分割效能，較其他分割模型效能更佳，尤其提高了不典型病灶分割的準(zhǔn)確性。目前半自動(dòng)分割方法被廣泛用于2D 超聲圖像，即先由計(jì)算機(jī)系統(tǒng)自動(dòng)勾畫病灶ROI輪廓，操作者進(jìn)一步微調(diào)，提高病灶分割效率。

ABUS 通過一個(gè)寬幅探頭自動(dòng)掃描實(shí)現(xiàn)全乳腺檢查，單次掃描可生成數(shù)百張2D 超聲圖像并重建3D 圖像，在致密型乳腺患者中ABUS 具有比乳腺X 線更高的癌癥檢出率[13-14]。然而，觀察大量乳腺超聲圖像，檢出可疑病灶不僅是個(gè)耗時(shí)的過程，而且對(duì)讀片者的專業(yè)要求更高，容易產(chǎn)生視覺疲勞導(dǎo)致漏診。因此，一些研究構(gòu)建了用于ABUS 的CADe 系統(tǒng)，早期研究多是以手工提取圖像特征或從3D 圖像切取出的2D 超聲圖像作為輸入構(gòu)建CNN 模型[15-18]，忽略了乳腺腫塊的3D 立體空間信息，為克服這一局限性，有研究者提出了基于3D 圖像的CNN 概念。Chiang 等[19]首次應(yīng)用3D-CNN開發(fā)ABUS 病灶檢測(cè)系統(tǒng)，提高了病灶的檢出率和效率，在獲得同樣靈敏度（0.950）時(shí)，該模型每例患者的平均假陽性數(shù)量為14.52，所需檢測(cè)時(shí)間為121 s，明顯優(yōu)于其他模型，證明了3D-CNN 在ABUS 病灶檢測(cè)的可行性。Moon 等[14]采用類似的方法比較3D VGG-16模型、3D DenseNet 模型及兩者集成模型的檢測(cè)效能，并引入損失函數(shù)解決了數(shù)據(jù)不平衡的問題，最終集成模型ROC 曲線的AUC 最高（0.967），能有效減少乳腺癌誤檢率，靈敏度高達(dá)0.953，可減少56.8%的假陽性病例。Wang 等[20]利用優(yōu)化的3D U-Net 建立檢測(cè)模型進(jìn)一步提高了ABUS 的病灶檢出率，降低了誤診率，當(dāng)靈敏度為0.910 時(shí)，單次掃描假陽性數(shù)量?jī)H為1.92。雖然采用深度學(xué)習(xí)可有效自動(dòng)提取深度特征來檢測(cè)乳腺癌，但3D 卷積網(wǎng)絡(luò)所需要的數(shù)據(jù)量相對(duì)2D 往往是巨大的，在少量數(shù)據(jù)訓(xùn)練時(shí)容易發(fā)生過擬合現(xiàn)象，造成網(wǎng)絡(luò)的魯棒性和泛化性差。

2.2 乳腺腫瘤分類診斷 乳腺影像報(bào)告和數(shù)據(jù)系統(tǒng)（breast imaging reporting and data system，BI-RADS）已被臨床廣泛采用[21]，將乳腺病灶超聲特征描述和分類診斷進(jìn)行標(biāo)準(zhǔn)化，提高超聲對(duì)乳腺病灶的診斷效能。但良惡性腫瘤特征存在一定的交叉性和共性，憑操作者經(jīng)驗(yàn)的主觀判斷容易造成誤診[22]。深度學(xué)習(xí)算法通過自身的學(xué)習(xí)能力抽取圖像復(fù)雜層次特征，不受主觀因素干擾，在乳腺腫塊良、惡性分類中具有潛在應(yīng)用價(jià)值[23]。

現(xiàn)有大量研究基于不同類型的CNN 模型構(gòu)建乳腺超聲CAD 系統(tǒng)用于良惡性分類，提高診斷效能，其靈敏度和準(zhǔn)確度均＞0.900[24-27]，并證實(shí)了CNN 模型的診斷效能和經(jīng)驗(yàn)豐富的超聲醫(yī)師相當(dāng)[28]，優(yōu)于缺乏經(jīng)驗(yàn)的初級(jí)醫(yī)師，診斷相同數(shù)量病例時(shí)比超聲醫(yī)師明顯耗時(shí)更少。一款商用CAD 軟件（S-detect）可根據(jù)BIRADS 詞典進(jìn)行病灶分割、特征分析和描述，并進(jìn)行良惡性分類[29]。將診斷閾值設(shè)置為BI-RADS 4A 類時(shí)，Sdetect 獨(dú)立診斷的特異度（0.908）、陽性預(yù)測(cè)值（0.867）均高于超聲醫(yī)師[30]。其他研究也發(fā)現(xiàn)在使用S-detect后，超聲醫(yī)師的特異度、陽性預(yù)測(cè)值和準(zhǔn)確度得到顯著提升[29，31]，特別是低年資閱片者的診斷靈敏度、特異度均得到顯著提高，而高年資閱片者靈敏度沒有改善，但特異度明顯提高[32-33]。此外，有研究嘗試對(duì)乳腺病灶的組織學(xué)分類進(jìn)行識(shí)別，Hizukuri 等[34]開發(fā)了用于區(qū)分浸潤(rùn)性癌、非浸潤(rùn)性癌、纖維腺瘤、囊腫4 種乳腺病變的CAD 系統(tǒng)，其準(zhǔn)確率約83.9%～87.6%，首次實(shí)現(xiàn)了基于深度學(xué)習(xí)的乳腺病灶的組織學(xué)分類，相較于使用手工提取紋理特征的分類效能得到顯著提升[35]。于騰飛等[36]比較了2D 圖像和彩色多普勒?qǐng)D像對(duì)乳腺良性腫瘤、惡性腫瘤、炎癥、腺病的分類效能，訓(xùn)練模型在此4 種分類中均取得較高的準(zhǔn)確度，說明多模態(tài)超聲圖像的分類準(zhǔn)確度更高。深度學(xué)習(xí)模型通過自動(dòng)學(xué)習(xí)對(duì)乳腺病灶進(jìn)行更細(xì)致的分類，能夠有效指導(dǎo)臨床決策，降低了超聲醫(yī)師的工作強(qiáng)度，但是目前的研究樣本量較少，仍需要大樣本、多中心研究進(jìn)行驗(yàn)證。

3D乳腺超聲的冠狀面特征對(duì)病灶良惡性分類有重要鑒別診斷價(jià)值。Tan 等[37]從冠狀面中提取“匯聚征”提高了模型對(duì)乳腺病灶良惡性分類效能，說明“匯聚征”是乳腺癌重要特征。Zhang 等[38]通過改進(jìn)的Inception V3模型提取3D 乳腺超聲圖像紋理特征，成功使低年資和高年資醫(yī)師組的準(zhǔn)確率分別提高了12.76%、6.47%。但是傳統(tǒng)分類方法流程復(fù)雜，特征的提取和選擇沒有通用的標(biāo)準(zhǔn)，泛化能力較差。近年來，有學(xué)者開始嘗試將2D 圖像分類的深度學(xué)習(xí)模型用于3D 乳腺病灶分類。孔小函等[9]設(shè)計(jì)了可融合冠狀面、橫斷面圖像和文本信息的新型網(wǎng)絡(luò)結(jié)構(gòu)，探究不同信息組合對(duì)分類性能的影響，多信息融合的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)省去人工設(shè)計(jì)融合方法等步驟，提升了分類效率和準(zhǔn)確性。Wang 等[20]使用優(yōu)化的3D U-Net 模型對(duì)ABUS 中的病灶進(jìn)行檢測(cè)，并構(gòu)建多層CNN 模型對(duì)檢測(cè)到的結(jié)節(jié)進(jìn)行良惡性分類，該模型診斷靈敏度、特異度和準(zhǔn)確度均大于0.85，AUC 為0.922。Wang 等[39]將用于形態(tài)學(xué)分析的自動(dòng)分割網(wǎng)絡(luò)（automatic segmentation network，ASN）搭建一個(gè)新型CNN 模型，評(píng)價(jià)ABUS 對(duì)乳腺癌的診斷效能，并與兩位不同經(jīng)驗(yàn)的影像醫(yī)師進(jìn)行比較，該模型診斷效能不如經(jīng)驗(yàn)豐富的高年資醫(yī)師，但優(yōu)于低年資醫(yī)師。盡管目前深度學(xué)習(xí)在3D 乳腺超聲分類中的相關(guān)研究并不多，但深度融合人工智能技術(shù)和ABUS用于提升閱片準(zhǔn)確度和診斷效率是未來發(fā)展趨勢(shì)。

2.3 乳腺癌腋窩淋巴結(jié)轉(zhuǎn)移的預(yù)測(cè) 早期乳腺癌患者5年生存率約98.8%，當(dāng)發(fā)生腋窩淋巴結(jié)轉(zhuǎn)移時(shí)5年生存率降至85.8%，是否存在腋窩淋巴結(jié)轉(zhuǎn)移、陽性淋巴結(jié)的數(shù)量和位置決定了乳腺癌的病理分期，是乳腺癌患者復(fù)發(fā)和生存期的重要預(yù)測(cè)指標(biāo)[40]。淋巴結(jié)活檢是一項(xiàng)有創(chuàng)檢查，術(shù)后并發(fā)癥較多，如何采用安全有效的影像學(xué)方法和人工智能方法來評(píng)估腋窩淋巴結(jié)狀態(tài)一直是研究的熱點(diǎn)。Zhou 等[41]選取臨床腋窩淋巴結(jié)陰性乳腺癌2D 超聲圖像訓(xùn)練3 種常用的CNN 模型，將模型的預(yù)測(cè)效能與5 位經(jīng)驗(yàn)豐富的影像醫(yī)師進(jìn)行比較，其中Inception V3 模型預(yù)測(cè)效能最佳，靈敏度高達(dá)0.85，AUC 為0.90，3 個(gè)模型預(yù)測(cè)效能均優(yōu)于影像醫(yī)師，其原因可能是淋巴結(jié)微轉(zhuǎn)移狀態(tài)缺乏典型的影像學(xué)表現(xiàn)導(dǎo)致影像醫(yī)師漏診。Zheng 等[42]應(yīng)用多模態(tài)融合開展研究，將2D 超聲圖像與剪切波彈性成像結(jié)合，在加入臨床信息后，鑒別腋窩淋巴結(jié)陰性和陽性時(shí)效果最顯著，鑒別腋窩淋巴結(jié)低負(fù)荷、高負(fù)荷轉(zhuǎn)移也有良好表現(xiàn)。有研究提取腫瘤內(nèi)部和腫瘤邊緣區(qū)域的深度特征，構(gòu)建基于瘤內(nèi)、瘤周、瘤內(nèi)聯(lián)合瘤周的深度學(xué)習(xí)模型，并與傳統(tǒng)的影像組學(xué)模型進(jìn)行比較，發(fā)現(xiàn)深度學(xué)習(xí)模型的預(yù)測(cè)效能優(yōu)于影像組學(xué)模型，尤其是基于瘤內(nèi)聯(lián)合瘤周區(qū)域的深度學(xué)習(xí)模型預(yù)測(cè)效果最佳，說明深度學(xué)習(xí)模型可提取更豐富、更深層次的影像學(xué)特征，獲取腫瘤周邊微環(huán)境信息，從而提高了預(yù)測(cè)效能[43]。另有研究提取不同厚度瘤周區(qū)域的特征來分析對(duì)模型預(yù)測(cè)效能的影響，當(dāng)瘤周厚度約3 mm 時(shí)模型預(yù)測(cè)效能最佳，進(jìn)一步證實(shí)了腫瘤邊緣區(qū)域信息對(duì)預(yù)測(cè)的重要性[44]。Guo 等[45]開發(fā)了一種多中心深度學(xué)習(xí)模型，該模型可將前哨淋巴陽性患者劃分為不同風(fēng)險(xiǎn)級(jí)別，靈敏度高達(dá)0.984，陰性預(yù)測(cè)值高達(dá)0.97，并成功的將研究隊(duì)列中51%過度治療患者分配到低風(fēng)險(xiǎn)組，能有效避免過度醫(yī)療。以上研究多是基于2D 超聲圖像構(gòu)建預(yù)測(cè)模型，且以單模態(tài)成像為主，使用3D圖像來進(jìn)行預(yù)測(cè)或融合不同模態(tài)、不同維度的圖像信息構(gòu)建預(yù)測(cè)模型有待進(jìn)一步的研究。

2.4 乳腺癌分子分型的預(yù)測(cè) 乳腺癌是一種高度異質(zhì)性疾病，根據(jù)雌激素受體（estrogen receptor，ER）、孕激素受體（progesterone receptor，PR）、人表皮生長(zhǎng)因子受體2（human epidermal growth factor receptor，HER2）和Ki-67 表達(dá)水平，將乳腺癌分為L(zhǎng)uminal A 型、Luminal B 型、HER2 過表達(dá)型和三陰性乳腺癌，不同分子分型乳腺癌具有不同組織病理學(xué)改變和生物學(xué)行為，其治療方案和預(yù)后差異有統(tǒng)計(jì)學(xué)意義[46]。例如，Luminal A型屬于內(nèi)分泌治療敏感的腫瘤亞型，預(yù)后最好；三陰性乳腺癌常見于年輕的女性，對(duì)化療敏感，易復(fù)發(fā)轉(zhuǎn)移，預(yù)后最差[47]。臨床需要通過腫瘤穿刺活檢進(jìn)行免疫組化檢測(cè)獲得術(shù)前乳腺癌的分子分型，這是一項(xiàng)侵入性檢查，而且獲得的組織不能代表整個(gè)腫瘤的分子亞型。乳腺癌超聲影像學(xué)特征可以從全局描述腫瘤，與分子分型具有一定的相關(guān)性[48-50]，因此具有強(qiáng)大圖像特征分析能力的深度學(xué)習(xí)算法所得出的判斷可以作為一個(gè)參考依據(jù)。Zhang 等[51]首次運(yùn)用深度學(xué)習(xí)模型預(yù)測(cè)乳腺癌分子分型取得良好的預(yù)測(cè)效果，對(duì)三陰性、HER2 陽性和激素受體陽性3 種分子亞型的預(yù)測(cè)AUC 分別為0.864、0.811 和0.837。一項(xiàng)多中心研究用2D 超聲圖像來預(yù)測(cè)乳腺癌4 種分子亞型，該模型對(duì)4種分子亞型預(yù)測(cè)均具有較高的準(zhǔn)確度，特別是對(duì)鑒別Luminal 型和非Luminal 型的陽性預(yù)測(cè)值高達(dá)0.933[47]，該研究的意義在于預(yù)測(cè)模型能夠通過影像學(xué)方法為乳腺癌分子分型提供補(bǔ)充診斷信息，當(dāng)預(yù)測(cè)結(jié)果與病理檢查結(jié)果一致時(shí)會(huì)增加診斷信心，當(dāng)兩者結(jié)果不一致時(shí)，則可以考慮重新進(jìn)行活檢。有學(xué)者開發(fā)了多模態(tài)深度學(xué)習(xí)模型將2D 超聲圖像和乳腺X 線圖像融合來預(yù)測(cè)乳腺癌的分子亞型，具有比單模態(tài)成像更高的診斷效能，區(qū)分Luminal 型和非Luminal 型的AUC 為0.855，計(jì)算機(jī)注意力機(jī)制的引入進(jìn)一步提高了該模型對(duì)分子分型的預(yù)測(cè)診斷效能[52]。乳腺超聲圖像與深度學(xué)習(xí)算法的結(jié)合為乳腺癌患者術(shù)前評(píng)估分子亞型提供了一種無創(chuàng)、節(jié)約成本的新方法，但目前的研究還處于初步探索階段，需要更多高水平的研究證明其安全性才能用于臨床指導(dǎo)決策。

2.5 新輔助化療（neoadjuvant chemotherapy，NAC）治療反應(yīng)的評(píng)估 NAC 是乳腺癌局部治療前進(jìn)行全身藥物治療，其目的為縮小病灶，降低腫瘤分期，使不能手術(shù)的患者獲得手術(shù)機(jī)會(huì)，增加保乳成功率；可以作為藥敏試驗(yàn)，評(píng)估腫瘤對(duì)化療藥物的敏感性，有助于術(shù)后輔助化療藥物的選擇；消除微轉(zhuǎn)移病灶，降低復(fù)發(fā)轉(zhuǎn)移風(fēng)險(xiǎn)。病理完全緩解（pathologic complete response，PCR）被用來評(píng)估NAC 治療療效，能達(dá)到PCR的患者具有更好的預(yù)后和更長(zhǎng)的生存期。乳腺癌患者中只有7%～38%能達(dá)到PCR 的治療效果，因此，在NAC 治療前能預(yù)測(cè)患者PCR 效果是至關(guān)重要的，這對(duì)難以達(dá)到PCR 的患者而言及時(shí)地調(diào)整治療方案，可以避免不必要的化療毒性[53-54]。Byra 等[55]采集乳腺腫瘤NAC 前和第一、二期NAC 后超聲圖像，通過計(jì)算NAC前后腫瘤神經(jīng)特征向量的差值構(gòu)建預(yù)測(cè)模型，與基于腫瘤形態(tài)學(xué)特征模型相比，該模型預(yù)測(cè)效能更好，表明NAC 導(dǎo)致的腫瘤內(nèi)部回聲的變化比形態(tài)的變化敏感性更高。Xie 等[56]利用一種雙輸入的新型CNN 模型提取乳腺腫塊NAC 第一期化療前后的超聲圖像，并引入特征融合和權(quán)重分配機(jī)制構(gòu)建了PCR 預(yù)測(cè)模型，取得了良好的預(yù)測(cè)效能，其準(zhǔn)確度、靈敏度和特異度分別為0.875、0.907、0.857，有望成為早期預(yù)測(cè)的監(jiān)測(cè)工具。Jiang 等[57]使用深度學(xué)習(xí)和機(jī)器學(xué)習(xí)提取腫瘤NAC 前、后的超聲圖像，并融入臨床信息構(gòu)建預(yù)測(cè)PCR 模型，與臨床專家和單一的模型相比，該模型取得最好的預(yù)測(cè)效能，AUC 高達(dá)0.94。盡管深度學(xué)習(xí)模型在預(yù)測(cè)乳腺癌NAC 反應(yīng)取得了一定的進(jìn)展，但乳腺癌腫瘤組織對(duì)化療反應(yīng)的程度和速度很大程度上取決于癌癥的分子分型，后續(xù)研究應(yīng)該將每種癌癥的分子亞型納入模型來提高預(yù)測(cè)效能或用分組分析來區(qū)分分子分型的影響。

3 小結(jié)

人工智能以其計(jì)算速度快、重復(fù)性好等優(yōu)點(diǎn)可以為醫(yī)師提供客觀有效的信息，減少醫(yī)師的工作量，降低漏診、誤診率。尤其是深度學(xué)習(xí)可以有效識(shí)別和分割乳腺病變，提取特征并分類，評(píng)估治療效果和預(yù)后，預(yù)測(cè)乳腺癌腋窩淋巴結(jié)轉(zhuǎn)移風(fēng)險(xiǎn)。目前深度學(xué)習(xí)研究仍然存在一些局限性：大多數(shù)研究都是小樣本、回顧性，容易產(chǎn)生偏倚，需要大量高質(zhì)量前瞻性數(shù)據(jù)；目前深度學(xué)習(xí)只能針對(duì)一項(xiàng)任務(wù)進(jìn)行訓(xùn)練，無法同時(shí)高效率、高準(zhǔn)確率地解決多項(xiàng)任務(wù)；訓(xùn)練和測(cè)試模型所需圖片數(shù)量龐大，缺乏大規(guī)模的公共數(shù)據(jù)集及統(tǒng)一的使用標(biāo)準(zhǔn)或指南，收集和標(biāo)注圖像過程仍然很費(fèi)力。目前以3D 乳腺超聲為基礎(chǔ)的人工智能研究逐漸開展，但是主要集中在腫瘤的檢測(cè)和分類，對(duì)于預(yù)測(cè)腋窩淋巴結(jié)轉(zhuǎn)移、分子分型和NAC 治療反應(yīng)評(píng)估方面研究甚少，這也將成為未來的探索方向。