王贇霞，譚紅娜

0 前言

2020年全球癌癥統(tǒng)計數(shù)據(jù)報告顯示[1]，乳腺癌是目前造成女性癌癥死亡最常見的原因之一，其發(fā)病率及死亡率逐年增長。在中國，乳腺癌占女性所有新發(fā)癌癥的15%，發(fā)病率居于首位[2-3]。早期發(fā)現(xiàn)是提高乳腺癌患者生存率的關(guān)鍵，乳腺癌的早期診斷很大程度上依賴于影像學(xué)和病理學(xué)。目前，乳腺最常用的影像學(xué)檢查方法包括超聲、乳腺X 線和MRI。目前我國乳腺癌篩查體制的不完備，乳腺影像診斷專業(yè)醫(yī)師缺乏，早期乳腺癌的整體診斷率偏低[4]，且影像檢查結(jié)果大多基于放射醫(yī)師對病灶的征象評估，主觀性較強(qiáng)，而病理學(xué)屬于有創(chuàng)診斷，這均在一定程度上阻礙了無創(chuàng)精準(zhǔn)診療的發(fā)展。近年來，隨著機(jī)器學(xué)習(xí)（machine learning, ML）、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks, CNN）等算法的開發(fā)應(yīng)用，影像AI發(fā)展迎來了新的階段，其應(yīng)用于乳腺影像的研究也在持續(xù)深入。相關(guān)研究[5]表明這將在一定程度上提高早期乳腺癌的診斷效能，但乳腺影像人工智能（artificial intelligence, AI）研究同時面臨諸多問題和挑戰(zhàn)。本文就AI在乳腺影像診斷的應(yīng)用及研究進(jìn)展做一綜述，旨在介紹該領(lǐng)域AI發(fā)展現(xiàn)狀并試圖分析當(dāng)前面臨的問題，以期推進(jìn)乳腺癌AI 診斷技術(shù)的臨床轉(zhuǎn)化，為臨床精準(zhǔn)無創(chuàng)診療提供最佳影像輔助。

1 AI概述

“人工智能”一詞最早出自于1956年達(dá)特茅斯學(xué)院研討會上，后被廣泛采用并被不斷擴(kuò)展。AI 是一個通用術(shù)語，它意味著使用計算機(jī)，以最小的人工干預(yù)來模擬人腦的思維邏輯、學(xué)習(xí)記憶和推理過程等，以此達(dá)到輔助人類思考、運(yùn)算及反應(yīng)的目的[6]。在AI影像領(lǐng)域，目前最具應(yīng)用前景的是深度學(xué)習(xí)（deep learning, DL），DL無須預(yù)先定義影像特征，通過多層神經(jīng)網(wǎng)絡(luò)構(gòu)建端到端的模型，自動利用價值信息實(shí)現(xiàn)對疾病的預(yù)測。其中用于圖像分析的DL網(wǎng)絡(luò)包括多層反饋循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network,RNN）、CNN、深信度網(wǎng)絡(luò)（deep belief networks, DBN）以及各自對應(yīng)的改進(jìn)模型，尤其以CNN在醫(yī)學(xué)影像方面的研究及應(yīng)用最為廣泛[7-8]。此外，影像組學(xué)的臨床應(yīng)用也是近些年研究的熱點(diǎn)。影像組學(xué)是從影像圖像中提取高通量的定量特征，深層次挖掘能夠反映病變特點(diǎn)的信息，通過創(chuàng)建和驗(yàn)證包含有高維數(shù)據(jù)集的模型，以此輔助臨床決策[9-10]。而AI 技術(shù)則為影像組學(xué)提供多種ML 算法，在特征提取和模型創(chuàng)建的過程中發(fā)揮著重要作用。因此，影像組學(xué)可以看作是將影像定量分析與ML 算法相結(jié)合的產(chǎn)物，其與AI 技術(shù)存在差別但又緊密相關(guān)，二者結(jié)合能夠有效推動影像診斷的智能化發(fā)展[11]。醫(yī)學(xué)影像的AI 技術(shù)主要包括DL 和影像組學(xué)。其核心機(jī)制在于利用ML算法實(shí)現(xiàn)對圖像的特征分析，建立圖像特征與生物學(xué)信息之間的定量關(guān)系模型，以期實(shí)現(xiàn)對臨床結(jié)局的自動識別和定量評估[12]。相比人工分析，AI 可以全面地利用海量數(shù)據(jù)間的關(guān)聯(lián)，超越個體經(jīng)驗(yàn)的限制，實(shí)現(xiàn)規(guī)范化和可重復(fù)的診斷或治療方案設(shè)計。

2 AI技術(shù)在不同臨床任務(wù)中的應(yīng)用

2.1 AI技術(shù)在乳腺良惡性病變鑒別中的應(yīng)用

2.1.1 AI 結(jié)合乳腺X 線攝影在識別惡性病變中的應(yīng)用

乳腺X線攝影是最常用的乳腺癌篩查方法之一，尤其擅長檢出鈣化性病變。但其診斷性能易受腺體類型的影響，容易漏診致密型腺體的非鈣化病變。將AI 技術(shù)應(yīng)用于乳腺X 線可大幅提高早期癌檢出率[13-14]。早在1996 年，SAHINER 等[15]將DL 技術(shù)首次應(yīng)用于乳腺X線以檢出病變并進(jìn)行良惡性分類，驗(yàn)證了AI 在乳腺X 線中的應(yīng)用可行性。近年來隨著乳腺X線DL 模型的不斷發(fā)展，其對乳腺病變自動分類的性能有了顯著提升。AL-MASNI 等[16]研發(fā)了一種新型乳腺X 線計算機(jī)輔助診斷（computer aided diagnosis,CAD）系統(tǒng)，即基于感興趣區(qū)（region of interest,ROI）的深度CNN提取病灶特征，最后使用全連接神經(jīng)網(wǎng)絡(luò)對病灶進(jìn)行良惡性分類，結(jié)果顯示該系統(tǒng)鑒別良惡性的準(zhǔn)確度為97.0%，識別腫塊位置的總體準(zhǔn)確度達(dá)到99.7%；該系統(tǒng)甚至適用于一些具有挑戰(zhàn)性的病例，例如識別位于胸肌附近或腺體致密區(qū)域的病變。因此，AI技術(shù)應(yīng)用于乳腺X線有助于提高早期癌的檢出率，但檢出致密型腺體病變的能力還需更多研究支持。

2.1.2 AI結(jié)合超聲在評估乳腺惡性病變中的應(yīng)用

超聲具有便攜、操作簡單、無創(chuàng)等優(yōu)點(diǎn)，是乳腺癌篩查的常用方法之一，相比于乳腺X 線攝影，超聲更適合亞洲女性的致密型腺體。最近針對國內(nèi)乳腺癌群體開發(fā)的深度神經(jīng)網(wǎng)絡(luò)模型SonoBreast（open.baai.ac.cn/sonobreast）在部分醫(yī)院試用，結(jié)果顯示其評估病灶惡性可能性較乳腺影像報告和數(shù)據(jù)系統(tǒng)（breast imaging reporting and data system,BI-RADS）更精確[17]。另有QI 等[18]建立了由專業(yè)乳腺外科醫(yī)師和超聲醫(yī)師標(biāo)注的大規(guī)模超聲圖像數(shù)據(jù)集（數(shù)量達(dá)8145），采用CNN 構(gòu)建惡性腫瘤網(wǎng)絡(luò)（malignant tumors-net, Mt-Net）和實(shí)性結(jié)節(jié)網(wǎng)絡(luò)（solid nodules-net, Sn-Net）兩個子網(wǎng)絡(luò)，并引入新型區(qū)域增強(qiáng)機(jī)制及交叉訓(xùn)練算法來提高子網(wǎng)絡(luò)間的協(xié)同性，研究結(jié)果顯示該模型能夠有效識別乳腺腫塊的良惡性，且準(zhǔn)確度與人類專家水平相當(dāng)。ZHANG 等[19]則探索了B 型超聲和剪切波彈性成像（shear wave elastography, SWE）基于DL 的影像組學(xué)方法的整合模型對乳腺腫塊的鑒別性能，結(jié)果表明其分辨能力優(yōu)于定量SWE 參數(shù)和BI-RADS 評估，該模型在外部驗(yàn)證集中的鑒別能力達(dá)到了較高的水平（AUC 為1.0）。但該研究納入數(shù)據(jù)有限（僅291 例），故研究結(jié)果還需擴(kuò)大數(shù)據(jù)集進(jìn)一步驗(yàn)證。

2.1.3 AI結(jié)合MRI在乳腺良惡性病變鑒別中的應(yīng)用

MRI 因軟組織分辨率高，可多序列成像，在乳腺癌診斷中價值較大，鑒于動態(tài)對比增強(qiáng)MRI（dynamic-contrast enhanced MRI, DCE-MRI）可反映癌灶血流動力學(xué)等功能信息，AI 研究多基于此開展[20-21]。ZHOU 等[22]通過133 例病例的DCE-MRI 圖像探索瘤內(nèi)及瘤周組織，利用基于不同ROI的影像組學(xué)及DL 方法對鑒別良惡性病變的準(zhǔn)確度進(jìn)行比較，結(jié)果表明基于ResNet50 構(gòu)建的DL 模型實(shí)現(xiàn)了較高的準(zhǔn)確度（達(dá)91%），且與瘤內(nèi)及不同范圍的瘤周組織相比，包含近端瘤周組織的最小邊界框構(gòu)建的模型具有更高的準(zhǔn)確性。該研究考慮到瘤內(nèi)和不同范圍瘤周區(qū)域的差異，證實(shí)了近端瘤周區(qū)域在鑒別乳腺良惡性病變中的價值。TRUHN 等[23]通過影像組學(xué)和CNN方法對447 例乳腺DCE-MRI 中增強(qiáng)病灶的良惡性進(jìn)行預(yù)測，發(fā)現(xiàn)CNN 較影像組學(xué)預(yù)測效能更好（CNN 的AUC 為0.88，兩種組學(xué)模型AUC 分別為0.81、0.78），但均低于放射醫(yī)師的診斷水平（AUC為0.98），這可能與納入患者的惡性占比較高有關(guān)。該研究還對小病灶的診斷效能進(jìn)行了亞組分析，結(jié)果仍是CNN模型預(yù)測效能較好。HU 等[24]基于616 例多參數(shù)磁共振成像（multiparametric magnetic resonance imaging,mpMRI）開發(fā)了一種深度遷移學(xué)習(xí)CAD 來區(qū)分乳腺良惡性病變，并比較了三種在不同水平上整合序列（圖像融合、特征融合和分類器融合）的診斷性能，結(jié)果顯示特征融合方法較單獨(dú)序列（DCE-MRI 及T2 序列）和其他融合方法診斷效能高（AUC 為0.87），基于mpMRI的DL模型可降低假陽性率從而提高診斷性能。

總之，近年來利用AI 技術(shù)無創(chuàng)鑒別乳腺良惡性病變的研究頗多，其鑒別能力和工作效率通常優(yōu)于放射科醫(yī)師，勢必成為未來早期乳腺癌精準(zhǔn)診斷的重要突破。此外，瘤周區(qū)域及影像多參數(shù)整合等對早期乳腺癌的診斷價值較大。目前臨床應(yīng)用的乳腺AI 系統(tǒng)主要基于X 線成像，國內(nèi)外模型診斷效能相當(dāng)，但真正落地應(yīng)用仍較少，更多模型的臨床轉(zhuǎn)化還需不斷地研究驗(yàn)證[5]。

2.2 AI技術(shù)在乳腺癌分類及分級中的應(yīng)用

不同類型的乳腺癌在臨床表現(xiàn)、治療反應(yīng)性和預(yù)后評估上存在差異。通過AI技術(shù)確定具體的乳腺癌病理類型也是目前研究的熱點(diǎn)，有研究[25]發(fā)現(xiàn)在AI 算法的輔助下，浸潤性乳腺癌是最容易被正確識別的病理類型，且在更大范圍的ROI 下準(zhǔn)確度更高，這可能解釋為規(guī)模更大的ROI 具有更多的形態(tài)學(xué)特征，從而達(dá)到正確的分類。此外，組織學(xué)分級是乳腺癌一個成熟的臨床指標(biāo)，它反映腫瘤的形態(tài)和增殖信息，具有獨(dú)特的預(yù)后意義。有研究[26]探索了DCE-MRI和DWI放射組學(xué)對組織學(xué)分級進(jìn)行預(yù)測的能力，結(jié)果顯示兩種序列結(jié)合的多任務(wù)預(yù)測模型較單任務(wù)模型提高了性能，當(dāng)進(jìn)一步結(jié)合表觀擴(kuò)散系數(shù)后，多任務(wù)預(yù)測模型的AUC可達(dá)到0.816，具有較高的預(yù)測價值。也有研究[27]建立了基于T2W-MRI 的影像組學(xué)對浸潤性乳腺癌的組織學(xué)分級進(jìn)行術(shù)前預(yù)測的模型，并取得了不錯的效果。該模型在訓(xùn)練集和驗(yàn)證集中的AUC分別達(dá)到了0.802和0.812。

應(yīng)用AI技術(shù)對乳腺癌的病理類型及組織學(xué)分級的準(zhǔn)確預(yù)測可以有效避免有創(chuàng)性手術(shù)，減少醫(yī)療消耗。但關(guān)于乳腺癌類型的預(yù)測多是基于AI 病理學(xué)，少有研究通過影像的深度學(xué)習(xí)或組學(xué)等AI技術(shù)預(yù)測乳腺癌病理類型，因此這也是未來研究需要關(guān)注的方向。此外，多參數(shù)模型對于乳腺癌組織學(xué)分級的預(yù)測效果更佳，但是關(guān)于AI 技術(shù)在乳腺癌分類及分級中的臨床應(yīng)用還有待更多研究推進(jìn)。

2.3 AI 技術(shù)在乳腺癌生物標(biāo)記物及分子亞型中的應(yīng)用

人表皮生長因子受體2（human epidermal growth factor receptor 2, HER-2）是乳腺癌的主要分子治療靶點(diǎn)之一，乳腺癌中約20%～25% 呈HER-2 高表達(dá)，此類乳腺癌具有增生快、侵襲性強(qiáng)等特點(diǎn)[28]，臨床上主要通過曲妥珠單抗等抗HER-2 治療來改善該類患者預(yù)后。因此準(zhǔn)確判斷HER-2 狀態(tài)對靶向治療和預(yù)后評估意義重大[29]。而常規(guī)病理檢測HER-2 表達(dá)狀態(tài)多因有創(chuàng)及穿刺范圍小不能代表整體癌灶而存在局限性。近年來，利用影像組學(xué)和DL等AI 方法術(shù)前預(yù)測乳腺癌HER-2 狀態(tài)的研究較多。ZHOU 等[30]通過研究306 例基于單參數(shù)和多參數(shù)乳腺M(fèi)RI 的組學(xué)模型對HER-2 狀態(tài)的預(yù)測能力，結(jié)果顯示驗(yàn)證集中多參數(shù)模型的AUC達(dá)到了0.81，明顯高于分別基于T2 序列和DCE-T1 序列的單參數(shù)模型（AUC 分別為0.70 和0.68），有望成為評估HER-2 狀態(tài)的有效替代工具。XU 等[31]通過144 例乳腺超聲圖像建立了基于3 塊DenseNet 的DL 模型，通過超聲圖像預(yù)測HER-2 表達(dá)，并將其與影像組學(xué)模型進(jìn)行對比，結(jié)果顯示DL模型在訓(xùn)練集（準(zhǔn)確度為85.79%，AUC為0.87）和驗(yàn)證集（準(zhǔn)確度為80.56%，AUC為0.84）中取得了較好的預(yù)測性能，有效性大大超過了影像組學(xué)和常規(guī)超聲征象模型。此外，鑒于乳腺癌的高度異質(zhì)性，多方位信息的整合對更精確預(yù)測HER-2狀態(tài)有一定幫助，有研究顯示組學(xué)特征結(jié)合臨床危險因素指標(biāo)時，對HER-2狀態(tài)的預(yù)測效能有進(jìn)一步的提高[32]。

依據(jù)乳腺癌分子分型進(jìn)行個體化治療已在臨床實(shí)現(xiàn)共識，不同分子分型的乳腺癌在治療和預(yù)后方面存在較大差異[33-34]。所以治療前確定分子分型十分重要?；诖髷?shù)據(jù)的AI技術(shù)輔助診斷分子分型是近年來的研究熱點(diǎn)。LEITHNER 等[35]基于多參數(shù)MRI影像組學(xué)回顧性分析了91 例乳腺癌患者，發(fā)現(xiàn)該方法在鑒別三陰和非三陰型乳腺癌以及Luminal A 型和三陰型乳腺癌的AUC 分別為0.86 和0.80，準(zhǔn)確度分別為0.852 和0.682。另有研究[36]建立了基于多中心大樣本（訓(xùn)練集達(dá)2822）的超聲圖像DL 模型，對乳腺癌的3種分子亞型（包括三陰型、HER-2陽性和激素受體陽性）進(jìn)行預(yù)測，結(jié)果顯示DL模型具有較好的預(yù)測效能（AUC 依次為0.811、0.837 和0.864），尤其在BI-RADS 4A 亞組患者中能夠很大程度減少不必要的活檢，具有較高的臨床價值（診斷準(zhǔn)確度達(dá)92.9%）。WANG 等[37]僅通過51 個病例的DCE-MRI 的紋理特征（熵值、不均勻性和峰度）預(yù)測雌激素受體（estrogen receptor, ER）陽性的乳腺癌，對應(yīng)的AUC 分別為0.891、0.859 和0.832。由此可見，單純的紋理特征也具有一定的預(yù)測價值，但結(jié)合多階特征的效果可能會更好。另有研究[38]發(fā)現(xiàn)基于增強(qiáng)乳腺X 線攝影的影像組學(xué)模型預(yù)測激素受體陽性乳腺癌具有較高的準(zhǔn)確度（達(dá)95.6%），明顯高于基于MRI 影像組學(xué)模型的預(yù)測能力（準(zhǔn)確度為82.6%），這為存在MRI 檢查禁忌的患者提供了更多選擇。

雖然基于多種檢查方法的AI 技術(shù)預(yù)測乳腺癌HER-2表達(dá)及分子分型均有相關(guān)研究[36,39]，但DCE-MRI憑借著多參數(shù)成像及軟組織分辨率高等優(yōu)點(diǎn)可能在AI 診斷方面更有價值[40]。另外，基于CNN 的DL 模型預(yù)測乳腺癌分子分型的研究目前并不多，仍需要進(jìn)一步探索。

2.4 AI技術(shù)在評估腋窩淋巴結(jié)轉(zhuǎn)移中的應(yīng)用

腋窩淋巴結(jié)（axillary lymph node, ALN）是乳腺癌最常見的轉(zhuǎn)移部位，早期確定ALN狀態(tài)對乳腺癌患者的個體化治療及預(yù)后評估十分關(guān)鍵[41-42]，目前，諸多學(xué)者積極探索影像組學(xué)和DL模型在ALN轉(zhuǎn)移中的應(yīng)用，以更好指導(dǎo)臨床決策。SHAN 等[43]通過145 例DCE-MRI第2時相的影像組學(xué)特征和動力學(xué)曲線構(gòu)建了一個術(shù)前檢測浸潤性乳腺癌ALN狀態(tài)的列線圖，訓(xùn)練集和驗(yàn)證集AUC分別達(dá)到了0.91和0.86，準(zhǔn)確度分別為84%和82%。也有研究[44]選取了296 例DCE-MRI最明顯一期的影像組學(xué)特征，結(jié)合MRI 報告的ALN 狀態(tài)構(gòu)建了預(yù)測ALN 轉(zhuǎn)移的列線圖，并在MRI 報告的ALN 陰性亞組中驗(yàn)證，該模型在驗(yàn)證集和亞組中的AUC 分別為0.90 和0.79，這在一定程度上降低了漏診率。此外，對于已發(fā)生ALN 轉(zhuǎn)移的患者，AI 技術(shù)能否判斷轉(zhuǎn)移ALN的數(shù)量也是一大熱點(diǎn)。ZHENG等[45]基于584 例常規(guī)超聲和SWE 的深度學(xué)習(xí)影像組學(xué)（deep learning &radiomics, DLR）特征，并結(jié)合臨床信息預(yù)測ALN 轉(zhuǎn)移負(fù)荷，該模型在預(yù)測ALN 陰性（N0）和陽性（N+≥1）方面具有最佳診斷性能（測試集AUC 達(dá)0.902），在高（N+≥3）低（N 為1～2）ALN 轉(zhuǎn)移負(fù)荷間也表現(xiàn)良好（測試集AUC 為0.905），且準(zhǔn)確度均≥85%。這也為選擇合適的手術(shù)方案提供了新方法，即N+為1～2 患者選擇前哨淋巴結(jié)活檢，N+≥3 患者選擇腋窩淋巴結(jié)清掃，N0患者可免除手術(shù)，在一定程度上避免過度診療。

目前，基于DCE-MRI 構(gòu)建ALN 轉(zhuǎn)移預(yù)測模型的研究中，不少學(xué)者正在探討如何選擇最佳增強(qiáng)時相的DLR特征。有研究[43]顯示第2時相能夠保證腫瘤與背景的強(qiáng)相關(guān)對比，也有研究[46]利用第3 時相構(gòu)建模型并獲得了較佳預(yù)測效能（測試集準(zhǔn)確度為77%）。但DCE-MRI 最佳增強(qiáng)時相目前沒有統(tǒng)一標(biāo)準(zhǔn)，需要進(jìn)一步研究。此外，無創(chuàng)預(yù)測ALN轉(zhuǎn)移負(fù)荷有望實(shí)現(xiàn)更精準(zhǔn)的個體化治療決策。

2.5 AI技術(shù)在乳腺癌放射基因組學(xué)中的應(yīng)用

乳腺癌發(fā)生發(fā)展過程中，相關(guān)基因突變起主導(dǎo)作用，約15%的患者有遺傳傾向[47]。乳腺癌易感基因的確定為其早期診斷提供新的方案[48-49]。隨著技術(shù)發(fā)展，通過DLR 特征預(yù)測乳腺癌易感基因備受關(guān)注，較原有基因檢測技術(shù)更無創(chuàng)便捷[50]。BRCA1/2 基因是最重要的遺傳性乳腺癌易感基因，致病性BRCA1/2變異者終生患乳腺癌風(fēng)險分別為65% 和45%[51]。VASILEIOU 等[52]納入41 名高遺傳風(fēng)險患者，利用MRI紋理分析和臨床信息預(yù)測BRCA突變，AUC達(dá)0.86，但樣本量有限，有待進(jìn)一步研究。磷脂酰肌醇激酶-3催化亞基α 基因（phosphoinositide-3-kinase catalytic alpha polypeptide gene, PIK3CA）突變通過PI3K/AKT/mTOR 通 路 參 與 乳 腺 癌 發(fā) 生 發(fā) 展[53]。SHEN 等[54]基于312 例超聲圖像，并通過CNN 方法預(yù)測PIK3CA 突變，結(jié)果顯示所有模型的平均AUC為0.775，整體準(zhǔn)確度為0.745，為早期診斷乳腺癌提供幫助。綜上，AI方法結(jié)合影像特征預(yù)測乳腺癌易感基因，為無創(chuàng)性基因預(yù)測提供新方法，更為早期診斷乳腺癌和精準(zhǔn)治療打下基礎(chǔ)。同時，乳腺基因序列包含預(yù)后信息，基于基因數(shù)據(jù)的影像組學(xué)研究是新的發(fā)展方向，值得長期關(guān)注。

本研究將以上不同預(yù)測任務(wù)的典型AI模型進(jìn)行效能匯總，詳見表1。

表1 不同預(yù)測任務(wù)的典型AI模型的預(yù)測效能Tab.1 Prediction performance of typical AI models for different prediction tasks

3 AI技術(shù)在乳腺癌診斷中的展望與挑戰(zhàn)

目前，基于AI 技術(shù)在乳腺癌診斷方面的研究以影像組學(xué)方法為主，DL 的研究較少。影像組學(xué)和DL均能提取醫(yī)學(xué)圖像中的高維信息。但DL通過端到端的網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)自動化特征提取和模型訓(xùn)練，不受人為影響，且可利用大樣本進(jìn)行模型優(yōu)化，具有高效、穩(wěn)定、可靠的優(yōu)點(diǎn)[55]。因此，DL 方法是AI 輔助診斷的發(fā)展趨勢。目前研究以單中心、回顧性為主，但此類研究未能考慮到地域和人群等差異，多中心和外部驗(yàn)證的研究更讓人信服，也是AI 診斷研究的未來趨勢。瘤周影像組學(xué)特征能夠反映腫瘤生長微環(huán)境的差異，結(jié)合腫瘤本身特征具有更好的診斷效能[56]。此外，反映腫瘤相關(guān)信息的方式并不只有單一的影像圖像，DCE-MRI 的藥代動力學(xué)參數(shù)和組學(xué)特征的整合模型，或多序列特征的融合有助于模型預(yù)測效能的提高[57]。相比于單模態(tài)，多參數(shù)和多模態(tài)的AI診斷模型更具發(fā)展優(yōu)勢。

盡管AI 技術(shù)在乳腺癌診斷方面有較好的發(fā)展，但從研究向臨床應(yīng)用轉(zhuǎn)化還面臨挑戰(zhàn)。首先，構(gòu)建高效的DL 模型需要大規(guī)模且高質(zhì)量的數(shù)據(jù)集，能夠涵蓋臨床實(shí)踐中可能遇到的目標(biāo)病變的微妙范圍，以便能夠充分學(xué)習(xí)病變特征的變化，從而確保模型在實(shí)際應(yīng)用中的魯棒性，這使數(shù)據(jù)收集工作略具難度。其次，基于AI 的CAD 系統(tǒng)性能會受到納入圖像質(zhì)量的影響，不同成像設(shè)備及圖像處理軟件造成的差異限制了系統(tǒng)的廣泛應(yīng)用[58]。最后，AI 算法的復(fù)雜性和不可解釋性，也使臨床醫(yī)生和患者對其建議的可信程度有待考驗(yàn)。

總之，運(yùn)用AI 算法對乳腺癌進(jìn)行早期診斷及預(yù)后評估一直是研究的熱點(diǎn)。本文介紹了AI在乳腺良惡性病變的鑒別診斷，乳腺癌的分類及分級、生物標(biāo)記物及分子亞型、淋巴結(jié)轉(zhuǎn)移及易感基因預(yù)測等方面的應(yīng)用。盡管現(xiàn)有研究的AI模型已表現(xiàn)出較佳的預(yù)測效果，但距臨床推廣應(yīng)用尚有距離，相信在廣大影像醫(yī)師及科技工作者共同努力下，AI 輔助診斷系統(tǒng)將在乳腺癌的診療中發(fā)揮更大作用。

作者利益沖突聲明：全體作者均聲明無利益沖突。

作者貢獻(xiàn)聲明：譚紅娜設(shè)計本研究的方案，對稿件的重要內(nèi)容進(jìn)行了修改，并獲得河南省自然科學(xué)基金項(xiàng)目、河南省醫(yī)學(xué)科技攻關(guān)計劃項(xiàng)目的資金資助；王贇霞起草和撰寫稿件，分析和解釋本研究的內(nèi)容。全體作者都同意發(fā)表最后的修改稿，同意對本研究的所有方面負(fù)責(zé)，確保本研究的準(zhǔn)確性和誠信。