0 引言

       据国际癌症研究机构的最新估计，2022年全球有近2000万癌症新增病例，其中女性乳腺癌病例占11.6%，成为女性患者中致死率最高的恶性肿瘤，严重地威胁女性身心健康^[1]。在我国女性恶性疾病中，乳腺癌发病率和死亡率均居首位，女性乳腺癌患者的死亡率约为6.9%^[2]，成为人类健康的重大威胁。乳腺癌死亡率高的主要原因之一在于早期诊断困难，因此，乳腺癌的早期发现和诊断具有重要意义。目前，临床上乳腺癌的确诊主要依赖于病理穿刺活检，影像学检查方法也被广泛用于辅助诊断，包括X线摄影、超声和MRI技术等^{[3, 4]}，其中，乳腺MRI在临床上因为较高的软组织分辨率而被广泛应用。乳腺MRI不仅用于诊断乳腺病变的性质（良性或恶性），还广泛应用于评估乳腺癌术后或新辅助治疗的疗效。在这一过程中，动态对比增强磁共振成像（dynamic contrast enhanced MRI, DCE-MRI）、T2加权成像（T2-weighted imaging, T2WI）、扩散加权成像（diffusion-weighted imaging, DWI）等序列发挥了关键作用。AI作为目前医学研究的新兴领域，它对乳腺影像可以进行大规模的整合处理，实现可靠、可重复性的评估，在乳腺癌的诊疗中取得了显著进展^{[5, 6]}。本综述旨在总结AI技术在乳腺癌MRI诊断中的最新应用及其研究进展，促进临床实践中乳腺癌精确无创的诊断与治疗的发展。

1 AI概述

       在AI领域，AI算法被广泛应用于解决传统上需要人类智能才能攻克的问题。过去十年中，AI技术取得了显著进展，尤其是在机器学习（machine learning, ML）和深度学习（deep learning, DL）方面。ML作为AI的一个关键组成部分，涵盖了多种常见方法，如支持向量机（support vector machine, SVM）、决策树（decision tree, DT）和随机森林（random forest, RF）等。其中，RF是由多个DT构成的集成学习模型，因其强大的分类能力和泛化性能而被广泛应用于乳腺癌的诊断与分析^[7]。在影像组学中，“特征”是对感兴趣区（region of interest, ROI）进行预定义的数学测量，用于后续的分类。当AI算法被应用于探索这些特征与预期结果变量之间的内在联系，并据此执行分类工作时，此类算法便被纳入ML的范畴。相比之下，DL使用神经网络模拟人脑的工作方式，每个神经元的激活基于其接收到的输入信号。如卷积神经网络（convolutional neural network, CNN），能够在医学影像学数据的提取和分析方面优势较为明显，它不需要手动选择特征，就能从原始资料中自动学习。

       随着AI技术的进步，大数据处理能力显著提升，数字化工具不仅加快了影像数据采集、整合与分析的速度，还大幅提高了数据处理的规模与效率^[8]。AI模型通过训练大量高质量的医学影像数据，能够在早期发现细微病变，并且通过分析患者的多维度数据建立个性化的疾病风险预测模型，能够在提高诊断准确性的同时优化治疗策略^[9]。MRI由于其高分辨率和多维度成像能力，能够提供病变的多平面、多序列、多参数图像，全面展示病变的生物学特性，因此被多项国际指南推荐作为高风险女性群体的补充筛查工具^[10]。目前，AI可以利用DCE-MRI序列数据进行动态分析，提取反映肿瘤血管生成和细胞密度的时间依赖性特征，从而辅助肿瘤早期诊断、分期和分级。其次，AI可以通过比较乳腺癌新辅助治疗前后MRI图像的变化来评估治疗效果。例如，基于DL模型可以自动识别并量化乳腺肿瘤大小、形态和信号强度的变化，提供客观的疗效评估指标。再次，AI可以预测患者对特定治疗方案的反应，从而优化个性化治疗策略。例如，通过ML模型分析患者的影像组学特征和临床数据，可以提前预测哪些患者可能对化疗或靶向治疗产生良好反应，为临床个性化治疗提供帮助。最后，AI技术能够在数据处理和分析过程中实现高度标准化，不仅提高了结果的可靠性和一致性，还使得研究结果更具可比性和可重复性。

2 AI在乳腺癌MRI诊断中的应用

2.1 AI在乳腺良恶性诊断中的应用

       近来，AI技术在利用影像组学处理乳腺MRI数据方面已取得了一系列成就。如LI等^[11]通过267个病例（包括恶性183例，良性84例），根据乳腺影像报告和诊断系统（breast imaging reporting and data system, BI-RADS）初步诊断为4类非肿块强化（non-mass enhancement, NME）的乳腺病灶，基于这些病灶的时间强度曲线（time intensity curve, TIC）类型和DCE-MRI影像组学特征的联合模型预测乳腺病变良恶性，显示了很大的诊断价值，受试者工作特征曲线下面积（area under the curve, AUC）值达到0.843。DAIMIEl等^[12]多中心回顾性研究93例乳腺癌患者病例资料，基于DCE-MRI、DWI序列构建DWI模型、DCE-MRI模型，并结合为多参数MRI开发了SVM模型来评估乳腺癌诊断准确率，最后联合模型预测效果最好AUC值为0.85。另外DL也是AI中最强大的数据驱动ML技术之一^[13]。罗文斌等^[14]通过303例乳腺肿瘤患者资料（包括良性144例，恶性159例），基于DCE-MRI建立ResNet-50、Inception-V3、Googlenet、DenseNet、VGG、MobileNet共6个DL模型鉴别乳腺癌良恶性，研究表明ResNet-50模型AUC值为0.841，鉴别诊断良恶性乳腺肿瘤性能最佳。ZHOU等^[15]在DCE-MRI数据弱监督下，通过1537例病例构建CNN模型，用于乳腺癌诊断和病灶定位。该资料集随机分为训练集（n=1073）、验证集（n=157）、测试集（n=307），最终测试集CNN的AUC值达到0.859。以上都是基于瘤内数据进行研究，除了肿瘤本身可提供重要的信息以外，紧邻肿瘤周围也包含一些重要的信息。ZHOU等^[16]利用133例患者的DCE-MRI数据，结合瘤内及不同瘤周区域的影像组学特征构建DL模型，对良恶性病变的鉴别准确度进行了比较。研究结果显示，基于ResNet50架构构建的DL模型达到了高达91%的准确率。此外，与仅使用瘤内或不同范围的瘤周组织相比，包含近端瘤周组织的最小边界框所构建的模型表现出更高的准确性。该研究不仅考虑了瘤内与不同范围瘤周区域之间的差异，还验证了近端瘤周区域在区分乳腺良性与恶性病变中的重要性。具体而言，通过分析近端瘤周组织的数据，研究人员发现这种方法能够显著提高模型的诊断性能，从而为临床提供更为可靠的诊断依据。

       简言之，影像组学分析与多参数MRI的ML模型相结合可以提高乳腺癌诊断准确率，同时，包含近端瘤周组织的最小边界框所构建的模型表现更为优异。DL模型与以往的传统影像组学相比，在诊断乳腺癌的准确性和定位恶性肿瘤的有效性方面都能得到有效提高。虽然AI技术已取得显著成果，但仍存在一些问题和未来需改进的方向，首先，应进一步探索多模态MRI数据的整合，以提高诊断的全面性和准确性。其次，开发更具解释性的模型，使医生能够理解模型决策背后的逻辑，增强对AI系统的信任度。最后，开展更大规模的前瞻性研究，验证现有模型的泛化能力和临床适用性。

2.2 AI在乳腺癌病理分类及分级诊断中的应用

       乳腺癌的早期发现和准确诊断对于提高乳腺癌患者的生存率起着至关重要的作用。考虑到乳腺癌的不同类型和分级可能导致不同的临床症状、治疗计划和预后，同时，传统的病理检查作为一种有创性侵入手段，不可避免地给患者带来一定伤害。因此，当下的研究热点之一便是借助AI技术，以无创的方式精准确定乳腺癌患者的具体病理类型。有研究表明^[17]，在AI算法的帮助下，最容易被正确识别的病理类型是浸润性乳腺癌（invasive breast cancer, IBC）。有研究^[18]通过167名患者的病例研究，根据组织学分级将患者分为低级别（Ⅱ级）72例与高级别（Ⅲ级）95例，基于T2WI序列应用多种分类器构建影像组学模型预测乳腺癌组织学分级，其中SVM分类器预测效果最高，AUC达到了0.772，显示出在乳腺癌病理分类及组织学分级预测中的临床价值。另有一研究^[19]回顾性分析142例IBC患者病例资料基于DCE-MRI和DWI图像分别建立DCE-MRI模型、DWI模型和DCE-MRI联合DWI影像组学模型来预测乳腺癌病理分级。结果显示DCE-MRI模型及联合模型AUC值分别为0.79、0.76，DCE-MRI模型预测效果较好（AUC=0.79）。研究表明T2WI、DCE-MRI和DWI序列在预测乳腺癌组织学分级方面均有一定临床价值，DCE-MRI预测性能较高。除此之外，ABUNASSER等^[20]提出利用DL模型来预测乳腺癌诊断及分类，在ImageNet数据库上训练Xception、InceptionV3、VGG16、MobileNet和ResNet50共5个DL模型并进行微调进而评估模型性能，结果显示所有模型在预测乳腺癌组织学分级中有较好的预测性能。

       以上研究表明，IBC是最容易被正确识别的病理类型之一，基于T2WI、DCE-MRI序列构建的影像组学及DL模型可以准确地预测乳腺癌的病理类型和组织分级，ML和DL技术在乳腺癌的分类和分级方面显示出了巨大的应用前景，不仅可减少医疗成本，还能够有效地避免穿刺活检带来的创伤，然而，为了进一步提升预测模型的准确性和鲁棒性，仍需深入探索如何高效整合不同成像模式（如T2WI、DCE-MRI、扩散加权成像DWI）的数据。融合多种影像特征将提供更为全面的信息，有利于更精准地刻画肿瘤的空间和时间异质性。同时，开展多中心、大样本的验证研究也是未来需要重点关注的方向。

2.3 AI在乳腺癌分子亚型中的应用

       乳腺癌在基因分子水平上表现出高度异质性，根据雌激素受体（estrogen receptor, ER）、孕激素受体（progesterone receptor, PR）、人表皮生长因子受体2（human epidermal growth factor receptor 2, HER-2）状态分为不同的分子亚型。HER-2是一种源自细胞的癌基因，它不仅是IBC患者公认的预后和预测性生物标志物之一，也是乳腺癌分子治疗的一个重要靶点。在乳腺癌中，HER-2阳性表达通常被视为加速乳腺癌进展的标志^{[21, 22]}。临床治疗时，实施患者的个性化方案会依据HER-2状态来制订。此外，乳腺癌患者的预后和分子亚型之间也存在显著差异。因此，对患者进行非侵入式术前HER-2状态评估，实现临床个性化精准治疗，改善预后意义重大。目前，临床上主要通过有创的手术或穿刺活检来评估HER-2状态，这会对患者造成不同程度的伤害。同时由于取得病理组织少，穿刺活检的HER-2评分不能代表整个肿瘤区域^[23]。

       随着AI技术的不断发展，ML技术也深入探究了运用乳腺MRI来预测乳腺癌分子亚型的方法，这为我们提供了一种能够预测和评估HER-2表达状态的途径，可以更精准地为临床个性化治疗提供依据，对提升患者预后具有重大意义^[24]。例如，LEITHNER等^[25]的研究通过多参数MRI影像组学分析，有效区分了三阴性与非三阴性乳腺癌，以及管腔A型与非管腔A型乳腺癌，表现出高AUC值和准确性。一些研究指出，从DCE-MRI中提取的影像组学特征可能与乳腺肿瘤的异质性及生物学行为有关，部分研究还表明，借助影像组学模型，能够在术前通过预测肿瘤标志物的方式，对乳腺癌的分子亚型予以分类^{[26, 27]}。鉴于乳腺癌具有高度异质性的特点，整合多源信息能够更为精准地预测HER-2状态。张成孟等^[28]对272例乳腺癌病例数据展开了回顾性分析，基于DCE-MRI瘤内及瘤周的影像组学模型，并联合临床、影像学指标，对预测乳腺癌患者HER-2表达状态的价值进行了探究，结果显示联合模型的AUC值高达0.854，准确度达到了76.8%。FANG等^[29]通过235例乳腺癌患者病例资料，从DCE-MRI图像提取影像组学特征建立模型预测HER-2状态的AUC为0.84。LIU等^[30]回顾性分析158例乳腺癌患者的乳腺X线和MRI图像，采用DL网络ResNet50作为基本特征提取和分类网络，构建分子亚型识别模型，多模态模型鉴别管腔A型的AUC值达到了0.802，具有很好的预判价值。

       综上所述，借助AI技术能够以非侵入性的方式对乳腺癌患者的HER-2状态进行评估，并实现对分子亚型的无创预测。乳腺癌的发生源在于特定基因的突变，因此，基于CNN的DL模型在预测乳腺癌分子分型方面仍有待进一步深入研究。鉴于乳腺癌的高度异质性，未来的研究应更加重视整合来自多个源头的信息（如基因表达谱、临床数据以及瘤内和瘤周的影像组学特征），同时结合基因组学，以提升HER-2状态预测的准确性。目前，大多数相关研究依赖于回顾性数据分析，未来应当推进更大规模、前瞻性的研究工作。

2.4 AI对乳腺癌腋窝淋巴结状态的评估

       腋窝淋巴结（axillary lymph node, ALN）是乳腺癌淋巴转移最常见的部位，其状态的早期确定对于制订治疗方案和评估预后至关重要^{[31, 32]}。研究表明，无腋窝淋巴结转移（axillary lymph node metastases, ALNM）患者的总生存率比有ALNM患者高40%^{[33, 34]}。随着AI技术的进步，影像组学和DL模型已逐步应用于乳腺癌ALNM的诊断与治疗研究中，以更好指导临床实现精准治疗。例如，SAMIEI等^[35]探讨了基于T2WI序列的影像组学在预测ALNM方面的潜力。研究结果表明，在训练组中，影像组学模型的AUC值范围为0.48至0.89，尽管这些结果不算理想，但该研究通过腋窝淋巴结MRI直接获取了ALN的相关影像组学特征，从而更直接地评估了腋窝淋巴结特征在预测淋巴结转移方面的价值。此外，TAN等^[36]从329例乳腺癌患者的T2WI-FS序列图像中提取了影像组学特征。研究发现，在训练集中，基于临床-影像组学模型预测乳腺癌ALNM的特异度、准确率和AUC值分别为89.2%、78.3%和0.810，优于单独使用的临床模型（特异度81.1%，准确率61.7%，AUC值0.605）和影像组学模型（特异度65.2%，准确率75%，AUC值0.819）。这些发现强调了结合临床信息与影像组学特征在提高乳腺癌ALNM预测效能方面的优势。

       TANG等^[37]的研究表明，通过从DCE-MRI图像中提取与ALNM相关的影像组学特征，并采用SVM分类器构建模型，其诊断效能显著优于传统的临床模型，验证集的AUC值达到0.858。ZHANG等^[38]基于T2WI、DWI和DCE-MRI图像构建DL预测模型，显示多参数MRI模型预测效能最高（AUC=0.913）。对于单独序列而言，相对于DWI（AUC=0.702）和DCE-MRI（AUC=0.572），基于T2WI的模型诊断性能最好（AUC=0.908）。LI等^[39]使用3062幅乳腺癌患者DCE-MRI图像构建影像组学模型、DL模型及二者融合临床模型预测乳腺癌淋巴结状态，结果显示影像组学模型结合DL模型AUC值达到0.91，而结合临床特征的联合模型AUC值则达到了0.93，这也超越了其他仅基于临床特征的模型。上述结果表明，将传统影像组学方法与DL技术相结合可以显著提升ALNM的预测准确性，但DL的效果在很大程度上依赖于大样本数据及其稳定性。

       总之，多模态MRI影像组学和DL在预测乳腺癌中的ALNM至关重要，通过影像组学结合DL和临床病理特征的模型的预测准确率最高且稳定。另一方面，影像组学和DL的性能和稳定性高度依赖于足够的数据，在未来的研究中，一方面要持续推进多中心合作，不断增加样本数量；另一方面，还需对模型进行深度优化，拓展数据的来源渠道，同时着力提升模型的可解释程度，从而促使其在临床实际应用场景中得到更为广泛的运用。而借助影像组学以及多模态MRI的DL技术来评估ALN状态，无疑仍将是后续研究工作的核心关注点。

2.5 AI在乳腺癌新辅助化疗中的应用

       新辅助化疗（neoadjuvant chemotherapy, NAC）是局部晚期乳腺癌患者术前治疗的标准方案之一，它可以有效降低临床分期，提高保乳手术的机会^{[40, 41]}。NAC疗效的及时评估不仅能避免化疗带来的不必要伤害，而且对治疗方案的及时调整也意义重大。对乳腺癌新辅助治疗疗效的评估目前采用实体瘤疗效评价标准测量的一维径线^{[42, 43]}，可采用简单易行的体检触诊、钼靶、超声三种方法进行测量，但简单通过径线进行评估结果未必准确。病理评估是化疗敏感度的黄金标准，但根据所选区域的不同，有一定的时间滞后性，对其结果产生不同的影响。而MRI对术前系统的评价不仅仅是几何学的测量，还包括影像组学及功能学评估，如图像纹理特征提取、磁共振功能成像参数的变化等^[44]。肿瘤的空间和时间异质性使得准确评估病情和预测治疗效果变得相对复杂。

       目前，多参数MRI不仅能准确评估乳腺癌NAC后残留病灶的大小范围，还能结合DWI、DCE-MRI等功能成像，为临床提供多层次、及时、有意义的信息，如肿瘤发展过程中潜在的癌变特征及异质性等^[45]。在肿瘤空间异质性的研究中，影像组学可通过从MRI图像中提取多种定量特征（如纹理和形态特征）来描述肿瘤内部的空间差异，为肿瘤异质性的研究提供新思路。常用的ML方法，如SVM和DT，被广泛应用于影像组学特征的分类与建模。DL模型，如CNN等，能够在无需手动提取特征的情况下直接从原始影像数据中学习复杂的模式。例如，U-Net架构已被成功应用于乳腺癌肿瘤区域的分割，提高了空间异质性分析的精度^[46]。在肿瘤时间异质性方面，DCE-MRI通过连续采集注射对比剂后的图像序列，能够捕捉肿瘤随时间的变化，能够有效预测肿瘤的时间异质性变化并预测治疗反应^[47]。AI技术通过整合MRI影像组学特征、临床数据和基因组信息，建立多种模型评估患者对NAC的反应。ZHUANG等^[48]基于ML预测乳腺癌患者的肿瘤消退方式，创建了联合影像学和临床特征的诺谟图，最后AUC值为0.826，表明结合影像学的临床模型可以预测肿瘤对NAC的反应，为治疗方案的调整提供了可能。也有研究表明^[49]，基于DL的模型能够提高疗效预测的准确性，为个性化治疗方案的选择提供了依据。COPPOLA等^[50]开展了一项多中心研究来预测影像组学模型和联合临床影像组学模型的预后获益，结果显示后者效果更好，显示临床信息可以提升影像组模型的预测表现。QU等^[51]通过302例乳腺癌患者，随机分为训练集（n=244）和验证集（n=58）建立一个DL模型，通过结合NAC前和NAC后MRI数据来预测新辅助治疗后的病理完全缓解（pathological complete response, PCR）状态，AUC值为0.968。CHOI等^[52]基于CNN的DL模型来预测晚期乳腺癌患者（n=56）的NAC效果，AUC值为0.81，显示出良好的预测效果。同时，MASSAFRA等^[53]开发了一种基于失状位和轴位DCE-MRI以及多个临床变量构建的DL模型，在与公共和私人数据库相关的独立测试中，AUC值分别为0.80和0.78。在另一项研究中，JOO等^[54]采用了一种结合Resnet50与3D CNNs的先进方法，针对接受术前NAC治疗的IBC患者进行了DL分析（n=536），通过将预处理的T1WI、T2WI以及关键的临床变量整合进模型中，他们的研究成功实现了对pCR预测的高准确性，其AUC高达0.89，显著超越了仅依赖临床数据的单一预测模型。

       在当今AI技术迅速发展的大数据时代，尤其是基于ML和DL模型的AI技术，在乳腺癌NAC效果预测方面具有较高的准确性。但是，当前的研究大多依赖于DCE-MRI序列来构建预测模型，并且在DCE-MRI序列期相的选择上，大多数学者选择不一，缺乏统一的标准。利用T2WI、DWI等序列构建的模型也尚待进一步开发与应用。因此，在影像学研究领域，亟需建立严格的标准化流程、加强协调与质量控制，为了实现临床实施的首要目标，开展基于更大规模数据集的多中心研究至关重要。这不仅能够提升治疗效果，还将极大地改善患者的生存质量与预后。

3 小结与展望

       综上所述，AI算法在临床上具有重要意义，本文全面回顾了AI技术在乳腺良恶性肿瘤鉴别、乳腺癌分类与分级、分子亚型预测、ALNM评估以及NAC效果评价等多方面的应用，强调了AI在乳腺癌诊疗领域的潜在价值和广泛应用前景。基于MRI图像的ML、DL等新技术对整个病灶进行全面客观的非侵入性评估，可提高MRI评估的准确性和敏感度。虽然现有的AI研究模型已经显示出很好的预测效果，但是这些研究在未来也将面临许多挑战，例如数据质量与标准问题、隐私与伦理问题、技术成熟度与临床应用转化问题等。其未来发展将主要聚焦于以下几个方向，首先，在算法优化方面，通过ML、DL等算法的持续改进，AI系统能够更精准地识别和分类不同类型的乳腺病变，减少假阳性和假阴性结果的发生率。这不仅依赖于更大规模、更多样化的数据集进行训练，还需要开发更为高效的计算模型来提升处理速度和准确性。其次，增强与临床实践的融合是另一关键点。未来的AI工具需要更好地融入医生的工作流程，提供即时反馈和决策支持，帮助医生快速制订治疗方案。这意味着AI系统不仅要具备高精度的诊断能力，还需易于使用，具有良好的用户界面和交互设计。此外，跨学科合作对于推动AI在乳腺癌MRI诊断中的应用至关重要。结合计算机科学、医学影像学、病理学等多个领域的专业知识和技术，可以促进新技术的研发，并确保这些技术的安全性和有效性符合相关法律法规要求。最后，相信在AI大数据平台的持续演进和放射科医生以及学者的共同努力下，AI可以克服各种困难和挑战在更多领域得到应用，并在乳腺癌的诊断和治疗中发挥关键作用。