分享:
分享到微信朋友圈
X
• 综述 •
多模态MRI在乳腺癌新辅助治疗疗效评估中的研究进展
丁文宣 赵一平 张喜友 郭祖欣 张扬

本文引用格式 丁文宣, 赵一平, 张喜友, 等. 多模态MRI在乳腺癌新辅助治疗疗效评估中的研究进展[J]. 磁共振成像, 2026, 17(11): 159-166. DOI:10.12015/issn.1674-8034.2026.11.020.


[摘要] 全球女性群体中,乳腺癌是发病率最高的恶性肿瘤之一,新辅助治疗(neoadjuvant therapy, NAT)是治疗该疾病的核心方案之一,不过分子亚型不同的患者对NAT接受治疗后的病理完全缓解(pathological complete response, pCR)的发生率有较大的个体差异。对治疗效果开展精准、无创的动态评估,可辅助临床及时调整治疗方案,判断患者的预后情况。多模态MRI包含动态对比增强磁共振成像(dynamic contrast-enhanced MRI, DCE-MRI)及扩散加权成像(diffusion-weighted imaging, DWI)与体素内不相干运动成像(intravoxel incoherent motion, IVIM)和扩散峰度成像(diffusion kurtosis imaging, DKI)与合成磁共振成像(synthetic magnetic resonance imaging, SyMRI)等多种序列,可从灌注、细胞密度、组织微结构与定量弛豫特性等多个角度,反映肿瘤异质性及治疗响应情况。影像组学、深度学习领域的研究持续推进,多模态影像数据的深度挖掘、融合有了支撑,疗效预测模型的准确性、稳定性也得到优化。本文系统梳理了多模态MRI应用在乳腺癌NAT疗效评估领域的现有研究进展,重点归纳了功能MRI定量参数对应的生物学内涵、临床应用价值,整理了影像组学与深度学习用于多模态数据整合的技术路径与现存不足。在此基础上,展望了统一成像规范、开展大样本前瞻性验证、研发可解释智能模型及构建多维度融合评估体系等未来研究方向。本文旨在为乳腺癌新辅助治疗智能化、系统化疗效评估的后续研究与临床转化应用提供参考依据。
[Abstract] Among women worldwide, breast cancer is one of the most common malignant tumors, and neoadjuvant therapy (NAT) is one of the core treatment strategies for this disease; however, there are significant individual differences in the incidence of pathological complete response (pCR) following neoadjuvant therapy among patients with different molecular subtypes.Accurate, non-invasive dynamic assessment of treatment efficacy can assist clinicians in promptly adjusting treatment plans and evaluating patient prognosis. Multimodal MRI includes dynamic contrast-enhanced MRI (DCE-MRI), diffusion-weighted imaging (DWI), intravoxel incoherent motion (IVIM), diffusion kurtosis imaging (DKI), and synthetic magnetic resonance imaging (SyMRI). These sequences provide insights into tumor heterogeneity and treatment response from multiple perspectives, including perfusion, cell density, tissue microstructure, and quantitative relaxation properties. With ongoing advancements in the fields of radiomics and deep learning, the in-depth analysis and fusion of multimodal imaging data have been supported, and the accuracy and stability of treatment efficacy prediction models have been optimized. This paper systematically reviews current research progress on the application of multimodal MRI in evaluating the efficacy of NAT for breast cancer. It focuses on summarizing the biological significance and clinical value of functional MRI quantitative parameters, and outlines the technical approaches and existing limitations of using bioinformatics and deep learning for multimodal data integration.Building on this foundation, the paper outlines future research directions, including the standardization of imaging protocols, the conduct of large-scale prospective validation studies, the development of interpretable intelligent models, and the establishment of a multidimensional integrated evaluation system. This paper aims to provide a reference for subsequent research and clinical translation regarding the intelligent and systematic evaluation of the efficacy of neoadjuvant therapy for breast cancer.
[关键词] 乳腺癌;新辅助治疗;磁共振成像;多模态磁共振成像;影像组学;深度学习
[Keywords] breast cancer;neoadjuvant therapy;magnetic resonance imaging;multimodal magnetic resonance imaging;radiomics;deep learning

丁文宣 1   赵一平 1   张喜友 1   郭祖欣 1   张扬 2*  

1 大连医科大学附属第二医院放射科,大连 116011

2 大连医科大学附属第二医院乳腺外科,大连 116011

通信作者:张扬,E-mail: zhangyangzz@126.com

作者贡献声明:张扬设计了本研究的整体方案,对稿件重要内容进行修改;丁文宣承担稿件初稿撰写工作,采集、分析并解读本研究的相关数据;赵一平、张喜友、郭祖欣参与研究数据的采集、分析或解释,对稿件重要内容进行修改;张扬取得了辽宁省科学技术计划项目资助;全体作者都同意发表最后的修改稿,同意对本研究的所有方面负责,确保本研究的准确性和诚信。


基金项目: 辽宁省科学技术计划项目 2025-MS-258
收稿日期:2026-06-13
接受日期:2026-09-20
中图分类号:R445.2  R737.9 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2026.11.020
本文引用格式 丁文宣, 赵一平, 张喜友, 等. 多模态MRI在乳腺癌新辅助治疗疗效评估中的研究进展[J]. 磁共振成像, 2026, 17(11): 159-166. DOI:10.12015/issn.1674-8034.2026.11.020.

0 引言

       目前全球范围内,乳腺癌是女性恶性肿瘤里发病率最高的病种[1]。全球癌症相关统计显示,所有女性恶性肿瘤病例里,乳腺癌占比大致为30%[2]。新辅助治疗(neoadjuvant therapy, NAT)目前是局部晚期乳腺癌的标准治疗方案,符合手术指征的部分患者接受该治疗后,既可以实现肿瘤降期,又可以提高保乳概率,也能完成药物敏感性评估[3]。乳腺癌不属于单一类型疾病,不同分子亚型的疾病特征,存在比较大的差异。三阴性乳腺癌(triple-negative breast cancer, TNBC)和人表皮生长因子受体2(human epidermal growth factor receptor 2, HER-2)阳性分型的乳腺癌患者在接受NAT治疗结束后,病理层面的完全缓解(pathological complete response, pCR)的出现概率最高能到40%~50%,激素受体呈阳性的患者与之相比pCR的出现概率一般不到20%[4]。这一差异对应着一个现实问题:能不能在治疗刚刚启动,或是治疗早期就筛选出可能从NAT治疗中获益、和治疗效果不理想的患者,既可以让临床规避无效治疗,减少不必要的毒副反应,及时调整治疗方案,也能更精准地判断患者的预后情况。

       MRI对软组织的分辨效果比较好,还具备多参数成像能力,目前已成为乳腺癌NAT疗效评估的主要影像学手段,已有的相关研究发现MRI能够比较准确地判定NAT治疗后的完全应答者,同时对残余肿瘤评估有比较高的参考价值[5]。不过常规使用的单一MRI序列大多只分析肿瘤大小、形态、强化范围这类宏观层面的变化,实际诊疗过程中,肿瘤内部血流灌注、细胞密度、组织微结构及微环境的改变,出现时间通常比肿瘤体积缩小更早只依靠单一参数开展评估,很难全面展现肿瘤治疗过程中产生的复杂生物学变化多模态MRI能够联合动态对比增强磁共振成像(dynamic contrast-enhanced MRI, DCE-MRI)、扩散加权成像(diffusion-weighted imaging, DWI)、体素内不相干运动成像(intravoxel incoherent motion, IVIM)、扩散峰度成像(diffusion kurtosis imaging, DKI)与合成MRI(synthetic magnetic resonance imaging, SyMRI)等多项功能成像技术,能够从灌注、扩散、弛豫特性及肿瘤微环境等多个层面完整展现肿瘤异质性,补上了单一模态信息覆盖不全的不足近几年,影像组学与深度学习这类人工智能技术,还能进一步从多模态影像中提取高维量化特征,为构建个体化的NAT疗效预测模型提供了新的技术研发路径[6]。

       已发表的综述大多围绕多参数MRI单序列应用于疗效预测的实际效果,相关研究仅对不同参数的基础诊断数值与成像技术开展粗略比对,没有把纵向时序动态疗效监测、人工智能融合建模及不同分子亚型分层分析等核心维度系统归入,也缺少对DCE-MRI、DWI、IVIM、DKI、SyMRI全套定量参数生物学内涵的系统整合。为补足上述缺口,本文对多模态MRI在乳腺癌新辅助治疗疗效评估领域的技术进展与临床应用,完成了较为系统的梳理,内容涵盖DCE-MRI、DWI以及高级扩散技术、SyMRI等核心技术对应的定量参数临床应用价值,同时整理多模态联合应用的相关成果,梳理人工智能方法的研究进展,随后明确现有研究存在的不足,提出未来可探索的研究方向,希望能为乳腺癌精准诊疗与多模态影像评估体系的搭建提供些许参考。

1 文献检索方法

       为保证综述纳入文献的全面性与代表性,本文采用了系统性检索方案。本次检索的数据库有PubMed、Web of Science另含中国知网(CNKI)。影像组学的概念是在2012年被正式提出[7],检索时间跨度设为2012年1月至2026年7月。英文检索检索式具体为(“multiparametric MRI”OR “mpMRI” OR “magnetic resonance imaging” OR “DCE-MRI” OR “diffusion-weighted imaging” OR “DWI” OR “IVIM” OR “DKI” OR “synthetic MRI” OR “MAGiC” OR “radiomics” OR “deep learning”)AND(“breast cancer” OR “breast neoplasms”)AND(“neoadjuvant therapy” OR “neoadjuvant chemotherapy” OR “pathological complete response”OR “pCR”);中文检索检索式为(“多参数磁共振” OR “磁共振成像”OR“MRI” OR “DCE-MRI” OR “扩散加权成像” OR “IVIM” OR “扩散峰度成像” OR “合成MRI” OR “MAGiC” OR “影像组学” OR “深度学习”)AND(“乳腺癌” OR “乳腺肿瘤”)AND(“新辅助治疗” OR “新辅助化疗” OR “病理完全缓解” OR “pCR”)。

       文献纳入标准:(1)纳入研究类型包括临床研究、综述或系统评价;(2)观察对象均为接受NAT的乳腺癌患者病例;(3)研究内容包含多模态MRI(包括DCE-MRI、DWI、IVIM、DKI、SyMRI等)于NAT疗效评估或pCR预测中的应用;(4)纳入研究包含影像组学或深度学习等人工智能方法在乳腺癌NAT疗效评估中的应用研究;(5)发表语种限定为英文或中文。剔除重复发表或数据缺失严重的文献。最终纳入本综述的核心文献共56篇,英文文献共50篇,中文文献6篇。

2 多模态MRI在评估乳腺癌NAT疗效中的现状

2.1 DCE-MRI

       DCE-MRI是目前乳腺MRI领域应用比较广泛的功能成像技术。这项技术的原理是:经静脉注射钆对比剂后,连续采集肿瘤组织各时间点的信号强度变动,追踪对比剂在肿瘤组织内部的进入、分布及排出过程,间接判断肿瘤血管生成、血流灌注、血管通透性与细胞外间隙的变化情况[8]。DCE-MRI既可以依托时间-信号强度曲线(time-intensity curve, TIC)完成半定量分析,也可依靠药代动力学模型得到容积转运常数(volume transfer constant, Ktrans)、速率常数(rate constant, Kep)和血管外细胞外间隙容积分数(extravascular extracellular volume fraction, Ve)等定量参数。这类参数可用于乳腺癌诊断、鉴别诊断以及NAT疗效评估工作,有对应的使用价值[9]。

       当前不同研究分析Ktrans与NAT疗效的相关性,得到的结论存在一定分歧。部分研究认为,Ktrans数值越高代表肿瘤血供越充足,药物递送的效率也更高,可能对治疗应答产生正向作用[10];也有研究观察到,治疗前Ktrans水平更高的患者,完成NAT后的pCR率反而更低,这类患者的无病生存期和总生存期也相对更短[11]。患者治疗过程中,Ktrans与Kep的下降幅度越大,对应的肿瘤血管生成、灌注活性受抑制程度就越高,治疗应答情况更理想,患者预后也可能更好。不同研究结论存在分歧,可能和样本分子亚型、所用治疗方案、扫描时机、药代动力学模型及ROI勾画方式的不同有关。杜丹等[12]发布的研究结果显示,乳腺癌患者结束化疗后,Ktrans、Kep及Ve的数值均较化疗前出现下降,表观扩散系数(apparent diffusion coefficient, ADC)的数值则较化疗前有所上升;联合Ktrans、Kep、Ve与ADC四个参数预测NAT疗效,对应的AUC可达0.956。不过这项研究是单中心开展的,纳入的样本量较小,也没有明确划分训练集与验证集,得出的预测效能还需要后续多中心大样本研究进一步验证。有一项多中心研究[13]依托常规临床DCE提取标准化的肿瘤微血管定量参数,搭建了临床病理、肿瘤形态与MRI结合的多模态融合预测模型,研究结果显示,和普通增强图像相比,标准化定量药代参数可以更稳定地捕捉肿瘤血管微环境的变化。不局限于已有的经典定量参数,KATAOKA等[14]针对DCE-MRI在NAT治疗反应预测中的应用价值展开分析,梳理出最大斜率(maximum slope, MS)、达峰时间(time to peak, TTP)、增强时间(time to enhancement, TTE)、峰值增强强度(peak enhancement intensity, PEI)及60 s初始曲线下面积(initial area under the curve, iAUC)等参数,这类参数可捕捉NAT早期肿瘤血流动力学的变化,治疗2个周期是采用这类参数开展NAT早期疗效评估的关键时间窗,可为临床及时调整治疗方案提供参考。

       经过整体分析后,DCE-MRI能较灵敏地检测出NAT开展期间肿瘤血管功能与灌注状态的变化,这一技术在乳腺癌NAT疗效评估场景下的实用价值较高,不过这项技术仍有不少局限:检查过程需要使用对比剂,不同医疗机构的扫描参数、后处理模型尚未形成统一规范,最终输出的定量参数很难跨机构互认,后续要持续优化采集流程与分析方法的标准化建设,才能逐步在临床场景中推广使用。

2.2 扩散加权成像及高级扩散技术

2.2.1 DWI

       DWI针对组织内水分子的无规则热运动完成检测,可间接呈现细胞密度、细胞膜完整程度与组织微结构的改变[15]。ADC是DWI临床层面应用最普遍的定量指标,对应数值和水分子的扩散受限水平直接相关,恶性肿瘤细胞排列更紧密,细胞间隙更窄,水分子的扩散会受到限制,ADC数值通常会保持在较低区间[16]。NAT生效后,肿瘤细胞会产生坏死、凋亡,细胞密度下降,细胞外间隙会有所扩大,ADC数值多数会有所升高[17]。HOTTAT等[18]现有数据证实,在NAT第1个治疗周期完成后ADC数值升高幅度超出47.5%的条件下,预判pCR的诊断敏感度是88.9%、特异度为63.4%。多项前瞻性研究结果[19, 20]也证实,首次治疗前ADC数值和第1治疗周期完成后ADC变化幅度是预测pCR的核心参考指标,其中治疗早期ADC变化幅度较仅用基线ADC判断治疗敏感性的参考价值更高,出现这一情况的原因可能是化疗生效后,肿瘤细胞在治疗早期就会产生凋亡、坏死,细胞外间隙随之扩大,水分子扩散受限的情况有所缓解。DWI不需要使用对比剂,该优势比较突出,尤其适用于肾功能不全、对比剂过敏或是无法接受增强检查的患者;加上检查耗时较短、可重复性较好,在NAT的动态随访过程中,临床实用价值比较高。

       不过,常规DWI大多用单指数模型测算ADC数值,这类测算方式既无法区分水分子真实扩散与微循环灌注的两类效应,也不能反映复杂肿瘤组织内部的非高斯扩散特征。另外,ADC数值的稳定程度还易受b值的选择、扫描设备、ROI勾画方法与肿瘤坏死成分的影响。受上述问题制约,近些年IVIM与DKI上述两种高级扩散成像技术逐步成为乳腺癌NAT疗效评估相关研究的受关注方向。

2.2.2 IVIM

       多b值DWI技术框架下衍生出一类高级扩散成像技术,IVIM就属于这一类别,它能同步呈现组织内部的多类信息,既包含水分子的实际扩散状态,也覆盖毛细血管微循环的灌注表现[21]。组织内部的水分子运动可以分成两个类别:部分运动的状态由细胞外间隙的特征决定,对应真实扩散范畴,剩余运动受毛细血管内血流的影响,归为伪扩散范畴。选择多个数值不同的b值完成扫描,就可以得到真实扩散系数(diffusion coefficient, D)和灌注相关的伪扩散系数(pseudo-diffusion coefficient, D*),还有灌注分数(perfusion fraction, f)等多项参量[22]。对比常规DWI序列的ADC指标,IVIM可以拆分扩散和灌注两类不同的成分,更为准确地反映肿瘤细胞密度以及微循环的实际状态[23]。王奕文等[24]带领的研究团队发现,D值过滤了微循环灌注相关因素的干扰,和ADC值相比稳定性更优,可作为预测乳腺癌NAT疗效的独立影响因子。该研究团队后续提到,将IVIM多指标MRI与临床病理特征相结合,能较好地预判NAT疗效,给临床预后判断、治疗方案制定提供参考。ZHANG等[25]带领的研究团队开展的前瞻性研究完成了进一步验证,IVIM成像结合常规MRI指标,用于乳腺癌NAT前的pCR预测时效果较好,测试集AUC可达到0.891,比常规全肿瘤影像组学模型的表现更优(P<0.05)。

       IVIM该技术可对肿瘤的扩散与灌注情况开展无创评估,有一定应用优势,不过进入临床推广阶段后还有不少待解决的问题。D*与f灌注相关两类参数对b值设置、信噪比还有拟合方法出现变动时受影响程度比较大,重复性与稳定性存在不足。后续要进一步优化扫描方案,统一参数拟合方法,开展多中心研究验证其预测效能MRI后处理算法与技术的逐步完善,IVIM后续可作为乳腺癌NAT个体化治疗决策辅助的实用工具。

2.2.3 DKI

       DKI也是在DWI技术框架下研发的高级扩散成像技术。和普通DWI预设水分子扩散符合高斯分布的前提有区别,DKI利用多b值扫描数据计算水分子扩散偏离高斯分布的程度,更精准地呈现肿瘤组织内部复杂的微结构与异质性。常用参数包括平均峰度(mean kurtosis, MK)及平均扩散系数(mean diffusivity, MD)等指标。上述参数中,MK主要反映组织微结构的复杂水平与异质性,MD用来反映校正非高斯扩散效应后的水分子扩散情况[26]。GONG等[23]完成了一项前瞻性纵向研究,系统对比了多款多b值的扩散MRI模型在NAT过程中的动态变化,研究数据显示,NAT 2周期后构建的临床病理-DKI联合模型对pCR的预测效果比较不错(AUC=0.90),能用来临床早期判断NAT疗效,属于相对可靠的无创评估方法。CHEN等[27]将DCE-MRI、DKI、IVIM多模态参数与临床病理特征结合后,搭配直方图分析方法,构建了乳腺癌NAT疗效预测模型,在训练数据集里AUC为0.969(敏感度94.1%,特异度90.7%,准确率92.2%),多模态参数联合分析确实可提高预测效果。

       已发表的研究显示,DKI和常用的DWI能更精准地展现肿瘤微结构的复杂程度与异质性,MK与MD两类参数在乳腺癌NAT疗效预测场景中已经展现出不错的应用潜力。不过当前该领域研究多采用单中心、小样本设计,缺少独立的外部验证流程;DKI对应的参数在NAT完整治疗周期内的最优评估时间窗与动态变化规律,还需完成系统性研究论证。后续研究可重点推进多中心验证工作,着重分析NAT完整治疗流程多时间点纵向DKI监测工作,厘清参数动态变化规律与最优早期评估时间窗,能为临床调整治疗决策提供可信度更高的影像学依据。

2.3 SyMRI

       SyMRI属于比较新的磁共振定量成像技术,这类技术框架下的磁共振成像编译(magnetic resonance image compilation, MAGiC)是当前临床场景中使用频率最高的SyMRI序列,单次扫描结束后就可以同步获取T1、T2以及质子密度(proton density, PD)在内的多类定量参数,还可重建出对比度各异的多种加权图像,包含T1WI、T2WI、质子密度加权成像这几类[28]。这类技术扫描时长相对较短,支持多参数定量分析,可减少不必要的重复扫描,提升成像效率,也为组织生物物理特性的评估提供了客观参考[29]。

       有团队完成了一项回顾性研究[30]随访观察了乳腺癌NAT全程治疗过程里T1、T2、PD的数值变化,整理数据后发现这类参数整体呈下降趋势,其中仅1周期化疗完成后的T1的相对下降幅度,是早期预判中表现最优的pCR预判SyMRI评估所用指标,AUC对应数值为0.769,预判表现比仅参考肿瘤大小变化更优。治疗进入中期后的T1、PD的数值波动可作为补充评价参考,治疗前基线水平及术前检测的SyMRI参数的参考作用比较有限。ZHAN等[31]选取120例乳腺癌患者完成了对应研究,分析数据后发现T2数值可用来判断部分病理缓解(partial pathological response, PPR)的独立预判参考指标,PPR组内患者的T2数值普遍低于pCR患者组别(P<0.01),该指标预判AUC对应数值是0.780。张晓英等[32]则围绕瘤周不同亚区的合成MRI定量参数开展分析,发现化疗初始阶段瘤体交界区域的ΔPre-T2数值可作为判断乳腺癌NAT治疗效果的较优参考依据(AUC=0.736),整理数据后发现瘤周微环境的功能变化与pCR之间存在密切联系还有研究数据证实,NAT治疗初期参数的变化幅度,预判作用比治疗前的基线参数更好,pCR组别内患者T1数值的下降幅度普遍高于未达pCR的患者组别[33]。这一现象的机制是:对化疗敏感的肿瘤在治疗初始阶段细胞成分快速减少,组织水分状态和大分子结合状态发生改变,让T1数值缩短。另有HWANG等[34]完成的前瞻性研究也证实,新辅助治疗进入4周期治疗中期采集的无造影剂合成MRI定量图谱构建的影像组学模型,可在治疗早期判断TNBC患者术后能否达到病理完全缓解,其中T1图谱多变量模型的外部验证结果AUC数值为0.72,在无创疗效预判方面有不错的应用空间。

       整理现有研究结论后,SyMRI只需要开展一次扫描,即可输出多组定量参数与不同对比度的加权图像,应用优势比较大,其中T1、T2测得的数值在乳腺癌NAT疗效评估工作中的应用潜力比较大。但SyMRI技术现阶段针对乳腺癌NAT现有相关研究的积累还比较少,技术自身也存在一定局限,比如部分图像质量没有统一判定标准、可能产生伪影、分割精度与泛化能力存在不足等后续需完成标准化扫描流程与后处理路径的建立及优化,进一步验证SyMRI涉及的参数在NAT用于疗效预测时的稳定性与临床适用价值。各类MRI序列的核心定量参数特征对比可参照表1。

表1  MRI序列关键定量参数在NAT疗效预测中的特征对比
Tab. 1  Characteristic comparison of key quantitative parameters of MRI sequence in NAT efficacy prediction

3 多模态MRI在乳腺癌NAT疗效评估中的临床应用价值

3.1 多模态MRI联合应用的价值

       多模态MRI把DCE-MRI、DWI、IVIM、DKI等技术同临床病理指标相结合后,可发挥形态学、功能代谢两类信息的互补优势,能完整记录NAT前后肿瘤的动态变化,解决了单一模态信息覆盖不全的问题,可提升NAT疗效评估结果的准确程度与稳定水平[35]。现有研究结果显示,表现最好的多模态模型的AUC最高能到0.888(对应的准确率85.0%、敏感度参数66.7%、特异度参数93.2%),预测效果优于仅用临床指标的模型、单一影像学模型及双模态影像模型[36]。HUANG等[37]完成了一项创新性比较强的研究,团队以DCE-MRI提取的肿瘤内部异质性(intratumoral heterogeneity, ITH)量化结果为核心,联合HR、HER-2等临床病理指标构建了多模态列线图模型,同步完成多中心外部验证,AUC数值稳定保持在0.79、0.81、0.82的区间。该模型可在新辅助化疗启动前一站式完成pCR预判以及远期复发风险分层,还可显示肿瘤增殖、侵袭相关的分子生物学特性。同时,多模态模型可在NAT治疗早期筛选出应答不佳或无应答的患者,能据此及时调整治疗方案,规避无效化疗造成的毒副反应,减少不必要的治疗时间浪费,乳腺癌内部普遍存在坏死、纤维化、出血、细胞密度不均、血供水平存在差异的区域,单点或单参数评估很难准确呈现肿瘤的整体实际状态。不过多模态MRI的临床应用现阶段存在不少实际限制。多序列扫描会延长总检查时长(通常需要30~45分钟),会给患者耐受度、检查周转效率造成压力;多参数数据的后处理流程比较烦琐,涵盖不同序列的图像配准、ROI勾画、参数拟合等多个环节,对操作人员的专业能力要求比较高,不同软件平台的兼容性也有待完善。这些因素共同限制了多模态MRI在常规临床场景中的大规模推广。在不降低信息丰富度的前提下优化扫描方案、简化后处理流程、提升自动化水平,是未来技术落地的重点方向之一。

3.2 不同分子亚型的应用差异

       乳腺癌在分子层面的异质性较为突出,不同分子亚型的生物学行为、治疗敏感性、pCR率和预后意义等方面的差异都大一些,多模态MRI在NAT疗效评估中的应用价值,也会受到分子亚型的影响。临床通常参考雌激素受体(estrogen receptor, ER)、孕激素受体(progesterone receptor, PR)、HER-2、细胞增殖标记物(Ki-67 antigen, Ki-67)等指标,对乳腺癌开展分型,划分为Luminal A型、Luminal B型、HER-2阳性型和TNBC等亚型[38]。不同亚型对NAT的反应模式各有区别,影像学层面的变化特征也并不一致。

       一项具备前瞻属性的研究[39]开展了对比分析MRI相关参数在不同亚型NAT在疗效预测方面的效果:针对Luminal A、Luminal B与TNBC的预测效果整体在中等区间(AUC数值分别为0.70、0.78、0.72),对于HER-2阳性亚型的预测效果表现最好(AUC=0.85);多参数模型的诊断效果均好于传统的单一ADC参数(均P<0.05)。LOUIS等[40]开展的研究也分析了HER-2阳性乳腺癌——曲妥珠单抗、帕妥珠单抗这类抗HER-2靶向治疗联合使用NAT的情况,这类亚型的pCR率出现一定提升。HER-2阳性肿瘤普遍增殖活性更强、血供更丰富,治疗发挥作用后强化程度与灌注参数会有所下降,肿瘤体积的缩小幅度也更明显。KAPLAN等[41]的研究结果显示,多项影像指标与肿瘤亚型都是乳腺癌患者NAT完成后pCR的独立预测指标,在不同分子亚型中,HER-2亚型及TNBC亚型患者实现pCR的可能性更高。TNBC通常表现出更高的组织学分级、细胞密度高、坏死区域多、边界相对清楚,DWI与ADC参数对这类肿瘤的细胞密度改变敏感度相对较高。WU等[42]构建了多模态MRI融合生物学相关的用于预测的数字化模型(其中训练队列AUC=0.89,对应特异度为95%),可在新辅助治疗开展早期较准确地预判TNBC的肿瘤退缩模式及最终的pCR结局,弥补了传统形态学与单一功能参数仅能开展事后评估的不足。

       从现有数据看,不同分子亚型在基线MRI参数表现、治疗应答规律和pCR预测效能维度确实存在大一些的差异。TNBC与HER-2过表达分型的pCR出现率最高,MRI预测准确度也更为理想;Luminal分型的pCR出现率相对更低,MRI预测效能也有一定局限。后续相关研究可发掘可替代的疗效评价指标,完成多中心前瞻性验证与临床转化,给临床早期识别化疗耐药人群、及时调整干预方案、为敏感人群实施治疗降阶提供更精准的影像学工具,推进乳腺癌从群体固定治疗转向个体化精准诊疗。

4 人工智能在多模态MRI评估乳腺癌NAT疗效中的整合应用

4.1 影像组学在多模态MRI评估乳腺癌NAT疗效中的整合应用

       最近几年,运用多模态MRI的影像组学相关研究,针对乳腺癌NAT疗效评估方向受到的关注度不断上升。影像组学研究开展的通用流程,可划分为图像采集、病灶分割、特征提取、特征筛选、模型构建与验证几个步骤从医学影像内高通量提取形状、强度、纹理及高阶统计类特征,属于影像组学的核心操作范畴,这类技术可量化常规肉眼难以分辨的肿瘤异质性信息,再搭配机器学习算法搭建预测模型,为乳腺癌NAT疗效评估工作提供新的量化分析手段[43, 44]。

       SHI等[45]遵循影像组学的标准操作流程,搭建了基于MRI的ITH定量评估体系,证实了影像组学特征ITH指数能够作为乳腺癌NAT完成后pCR的独立预判指标(OR=2.32,P=0.008)。该评估体系搭配临床病理特征共同使用,可进一步提升疗效预测的准确性与稳健性。一项纳入2279例患者参与的大样本临床研究[46]明确了空间栖息地影像组学(spatial habitat radiomics, SHR)的具体定义,借助亚区域聚类方法划分肿瘤内部的不同影像栖息地,可更精准捕捉区域异质性。该研究还收集了不同时间点的纵向影像特征,展现肿瘤异质性的动态变化过程,可为后续多模态预测模型搭建、影像特征生物学机制阐释提供参考方向。RAMTOHULT等[47]筛选术后MRI仍存在残留强化的患者,提取量化影像特征并搭配临床病理指标,搭建了联合预测模型(AUC=0.80,95% CI:0.72~0.88),证实了影像组学在残余病灶评估与pCR预测场景中同样有应用价值。CHEN等[48]团队开展的研究显示,多参数MRI是乳腺癌疗效预测的最优影像模态,堆叠集成、多层感知机等对应模型表现最佳;整合治疗前、治疗中及治疗前后差值的组学特征构建的纵向模型,经外部验证AUC最高可达0.929,准确率、敏感度与特异度均处在较高水平,可较精准划分pCR与非pCR患者,能为手术方案制定、预后风险分层提供参考依据。

       梳理现有研究的结论,结合DCE-MRI、DWI和其他功能MRI序列的影像组学模型,多数情况下比仅用单一模态的模型表现更好,对应的影像组学特征能提供传统临床病理因素覆盖不到的独立预测信息。不过现阶段影像组学研究仍存在较多问题,比如不同研究的ROI勾画方式、特征提取工具、模型构建逻辑的差异比较大,还没有形成统一的标准流程;多数研究选择单中心设计,样本体量偏小,也未完成独立外部验证。后续需搭建标准化的影像组学流程,完成多中心验证工作,同步整合病理、基因组学与分子生物学数据,进一步厘清影像特征的生物学基础,推进影像组学从科研探索顺利落地临床常规应用,推进乳腺癌精准新辅助治疗体系的完善和普及。

4.2 深度学习在多模态MRI评估乳腺癌NAT疗效中的整合应用

       作为人工智能的重要分支,深度学习基于多层神经网络架构,可自主从原始影像数据中完成层次化特征表达的学习,和传统影像组学的运行逻辑差异比较大,传统方法需要依赖提前预设的特征,深度学习模型可直接从图像中提取高级抽象特征,完成端到端的学习流程,适配多模态、多时间点以及大样本的影像数据处理需求[49, 50]。

       MAO等[51]开发的MIFAPS系统,以深度学习为核心技术支撑,完成多模态数据的自动整合和精准分析,整套研究流程涵盖四个功能模块,分别是自动化特征提取、多模态融合、可解释性验证、生物学机制探索,为乳腺癌NAT疗效预测相关工作提供了全新的技术范式。有一项纳入6991例患者的多中心研究[52],搭建出MAP模型,这类模型可在特定临床场景下辅助降低部分穿刺活检的需求,适配肿瘤位置特殊、无法耐受穿刺操作的患者,模型的安全性与临床可行性,还需要后续开展前瞻性研究完成验证。围绕多时间点纵向影像融合的相关研究,有一项覆盖四个中心、纳入1262例患者的研究[53],开展了较为深入的探索,研究团队提取NAT全疗程前后DCE-MRI影像序列的两类特征,分别是14 676项医学影像组学特征、4096项深度学习特征,再将前处理、后处理及增量特征整合到堆叠模型内,在所有乳腺癌亚型的测试中均得到AUC=0.91的结果,能验证依托纵向时间序列影像模型预测NAT疗效的实际应用可靠性。ZHANG等[54]则将治疗前、治疗2周期后的多参数MRI与活检全切片图像整合到一起,借助2604例多中心回顾性研究队列、72例前瞻性病例完成验证,模型早期预测pCR的AUC能达到0.895(敏感度85.2%,特异度82.6%),可在治疗早期较为精准地区分耐药和敏感人群,补足了传统模型仅依靠单时间点影像、时序特征挖掘不充分的短板。还有其他相关研究,GAO等[55]开发的MRP系统融合纵向多模态MRI数据,可识别NAT治疗过程中肿瘤异质性的动态变化(AUC=0.826,95% CI:0.76~0.89),HUANG等[56]在该研究基础上,把深度学习和瘤内微生物组研究结合,搭建出“微生物组-医学影像学”关联模型。该模型经内部验证AUC为0.89、经外部验证AUC为0.87,表现比单一时间点模型更好(P<0.05),给肿瘤微环境的无创评估开辟了新的研究方向。

       已有的研究成果证实,深度学习在多模态MRI应用于乳腺癌NAT疗效评估场景的应用,当前主要沿三个方向推进,具体为单模态向多模态拓展、单时间点向纵向融合延伸、单纯预测向机制解析过渡,发展空间比较大。不过这类研究目前还存在不少需要解决的问题。后续要协同推进技术创新、方法规范、临床转化与机制探索等方向的任务,推动深度学习从研究类工具转为临床可信任的决策支持系统,最终实现乳腺癌NAT疗效预测阶段的精准化、早期化与个体化。

5 小结与展望

       当前,将多序列、多参数成像功能和人工智能技术融合运用之后,多模态MRI现已成为用来评估乳腺癌NAT疗效的常用影像学手段,能从血流灌注、细胞密度、组织微结构、非高斯扩散特征和定量弛豫特性等层面明确治疗效果,在pCR预判、早期疗效评估、残余肿瘤识别及这类技术可用于个体化治疗决策,有明确应用空间。不过相关领域仍有不少难点:成像流程缺统一标准,整理已有相关研究,样本规模普遍偏小,验证体系有短板,影像特征与生物学基础关联阐释不足,纵分子亚型特异性研究开展不够均衡,向建模及多模态融合现有策略仍有短板,影像组学与深度学习正朝临床转化的阻碍大一些,多模态受各类相关因素共同制约MRI在更大范围中的常规应用。

       后续研究可针对前述不足,按以下方向推进:第一,完善多模态MRI扫描方案的标准化,出台统一的采集流程与后处理规范,提高不同研究中心间参数的可对比性;第二,完成大样本、多中心、前瞻性临床试验,清晰划分训练集与验证集,加入外部验证环节,增强模型的泛化能力与临床可信度;第三,推进影像组学流程的标准化建设,结合病理及分子生物学数据明确影像特征的生物学内涵,搭建可解释的深度学习架构;第四,构建多模态影像-病理-基因组融合的多维预测模型,可让乳腺癌 NAT 疗效评估由仅依托影像参数的模式,逐步过渡到系统化、智能化方向,最终应用于精准个体化治疗。成像技术、人工智能算法与多组学研究仍在持续推进,可为前述目标的落地打下更稳固的技术基础。

[1]
SIEGEL R L, GIAQUINTO A N, JEMAL A. Cancer statistics, 2024[J]. CA A Cancer J Clin, 2024, 74(1): 12-49. DOI: 10.3322/caac.21820.
[2]
GRADISHAR W J, MORAN M S, ABRAHAM J, et al. Breast cancer, version 3.2024, NCCN clinical practice guidelines in oncology[J]. J Natl Compr Canc Netw, 2024, 22(5): 331-357. DOI: 10.6004/jnccn.2024.0035.
[3]
KORDE L A, SOMERFIELD M R, CAREY L A, et al. Neoadjuvant chemotherapy, endocrine therapy, and targeted therapy for breast cancer: ASCO guideline[J]. J Clin Oncol, 2021, 39(13): 1485-1505. DOI: 10.1200/JCO.20.03399.
[4]
SCHMID P, CORTES J, DENT R, et al. Overall survival with pembrolizumab in early-stage triple-negative breast cancer[J]. N Engl J Med, 2024, 391(21): 1981-1991. DOI: 10.1056/NEJMoa2409932.
[5]
VAN DER VOORT A, LOUIS F M, VAN RAMSHORST M S, et al. MRI-guided optimisation of neoadjuvant chemotherapy duration in stage Ⅱ-Ⅲ HER2-positive breast cancer (TRAIN-3): a multicentre, single-arm, phase 2 study[J]. Lancet Oncol, 2024, 25(5): 603-613. DOI: 10.1016/S1470-2045(24)00104-9.
[6]
NETTI S, D'ECCLESIIS O, CORSO F, et al. Methodological issues in radiomics: impact on accuracy of MRI for predicting response to neoadjuvant chemotherapy in breast cancer[J]. Eur Radiol, 2025, 35(7): 4325-4334. DOI: 10.1007/s00330-024-11260-y.
[7]
LAMBIN P, RIOS-VELAZQUEZ E, LEIJENAAR R, et al. Radiomics: extracting more information from medical images using advanced feature analysis[J]. Eur J Cancer, 2012, 48(4): 441-446. DOI: 10.1016/j.ejca.2011.11.036.
[8]
WITOWSKI J, HEACOCK L, REIG B, et al. Improving breast cancer diagnostics with deep learning for MRI[J/OL]. Sci Transl Med, 2022, 14(664): eabo4802 [2026-06-12]. https://pubmed.ncbi.nlm.nih.gov/36170446/. DOI: 10.1126/scitranslmed.abo4802.
[9]
LV T X, WU Y Q, WANG Y H, et al. A hybrid hemodynamic knowledge-powered and feature reconstruction-guided scheme for breast cancer segmentation based on DCE-MRI[J/OL]. Med Image Anal, 2022, 82: 102572 [2026-06-12]. https://www.sciencedirect.com/science/article/abs/pii/S1361841522002134via%3Dihub. DOI: 10.1016/j.media.2022.102572.
[10]
王梦意, 何绍富, 王朝阳, 等. 基于DCE-MRI灌注参数及其变化率联合免疫组化指标预测乳腺癌新辅助化疗早期疗效[J]. 放射学实践, 2026, 41(7): 787-793. DOI: 10.13609/j.cnki.1000-0313.2026.07.008.
WANG M Y, HE S F, WANG C Y, et al. A model based on DCE-MRI perfusion parameters and their change rates combined with immunohistochemistry for predictingearly response to neoadjuvant chemotherapy in breast cancer[J]. Radiol Pract, 2026, 41(7): 787-793. DOI: 10.13609/j.cnki.1000-0313.2026.07.008.
[11]
ARLEDGE C A, ZHAO A H, TOPALOGLU U, et al. Dynamic contrast-enhanced MRI for evaluating breast cancer chemotherapy response using conditional generative adversarial networks[J/OL]. Radiol Imag Cancer, 2026, 8: e250110 [2026-06-12]. https://pubs.rsna.org/doi/10.1148/rycan.250110. DOI: 10.1148/rycan.250110.
[12]
杜丹, 刘兴家, 刘银凤, 等. DCE-MRI定量数据预测乳腺癌新辅助化疗疗效的价值[J]. 中国CT和MRI杂志, 2025, 23(3): 115-118. DOI: 10.3969/j.issn.1672-5131.2025.03.034.
DU D, LIU X J, LIU Y F, et al. Predictive value of DCE-MRI quantitative parameters for the curative effect of neoadjuvant chemotherapy in breast cancer[J]. Chin J CT MRI, 2025, 23(3): 115-118. DOI: 10.3969/j.issn.1672-5131.2025.03.034.
[13]
WU C W, WANG L X, WANG N, et al. Prediction of early neoadjuvant chemotherapy response of breast cancer through deep learning-based pharmacokinetic quantification of DCE MRI[J/OL]. Radiol Artif Intell, 2025, 7(5): e240769 [2026-06-12]. https://pubmed.ncbi.nlm.nih.gov/40631989/. DOI: 10.1148/ryai.240769.
[14]
KATAOKA M. Ultrafast DCE-MRI as a new tool for treatment response prediction in neoadjuvant chemotherapy of breast cancer[J]. Diagn Interv Imag, 2023, 104(12): 565-566. DOI: 10.1016/j.diii.2023.08.005.
[15]
MENDEZ A M, FANG L K, MERIWETHER C H, et al. Diffusion breast MRI: current standard and emerging techniques[J/OL]. Front Oncol, 2022, 12: 844790 [2026-06-12]. https://www.frontiersin.org/journals/oncology/articles/10.3389/fonc.2022.844790/full. DOI: 10.3389/fonc.2022.844790.
[16]
IIMA M, KATAOKA M, HONDA M, et al. Diffusion-weighted MRI for the assessment of molecular prognostic biomarkers in breast cancer[J]. Korean J Radiol, 2024, 25(7): 623-633. DOI: 10.3348/kjr.2023.1188.
[17]
GULLO R L, PARTRIDGE S C, SHIN H J, et al. Update on DWI for breast cancer diagnosis and treatment monitoring[J/OL]. AJR Am J Roentgenol, 2024, 222(1): e2329933 [2026-06-12]. https://pubmed.ncbi.nlm.nih.gov/37850579/. DOI: 10.2214/AJR.23.29933.
[18]
HOTTAT N A, BADR D A, LECOMTE S, et al. Value of diffusion-weighted MRI in predicting early response to neoadjuvant chemotherapy of breast cancer: comparison between ROI-ADC and whole-lesion-ADC measurements[J]. Eur Radiol, 2022, 32(6): 4067-4078. DOI: 10.1007/s00330-021-08462-z.
[19]
ZHANG Y N, ZHAO R M, DU S Y, et al. Radiomics analysis of contrast-free synthetic MRI and apparent diffusion coefficient for early predicting neoadjuvant chemotherapy response in breast cancer[J/OL]. Eur J Radiol, 2025, 191: 112344 [2026-06-12]. https://www.ejradiology.com/article/S0720-048X(25)00430-9/abstract. DOI: 10.1016/j.ejrad.2025.112344.
[20]
MUSALL B C, ADRADA B E, CANDELARIA R P, et al. Quantitative apparent diffusion coefficients from peritumoral regions as early predictors of response to neoadjuvant systemic therapy in triple-negative breast cancer[J]. J Magn Reson Imag, 2022, 56(6): 1901-1909. DOI: 10.1002/jmri.28219.
[21]
IIMA M, HONDA M, SIGMUND E E, et al. Diffusion MRI of the breast: Current status and future directions[J]. J Magn Reson Imag, 2020, 52(1): 70-90. DOI: 10.1002/jmri.26908.
[22]
HE L T, QIN Y J, HU Q L, et al. Quantitative characterization of breast lesions and normal fibroglandular tissue using compartmentalized diffusion-weighted model: comparison of intravoxel incoherent motion and restriction spectrum imaging[J/OL]. Breast Cancer Res, 2024, 26(1): 71 [2026-06-12]. https://link.springer.com/article/10.1186/s13058-024-01828-3. DOI: 10.1186/s13058-024-01828-3.
[23]
GONG X Q, WANG X X, WANG L, et al. Comparing multi-b-value diffusion MRI models for predicting pathologic complete response to neoadjuvant chemotherapy in breast cancer[J/OL]. Radiology, 2025, 316(1): e242969 [2026-06-12]. https://pubmed.ncbi.nlm.nih.gov/40693938/. DOI: 10.1148/radiol.242969.
[24]
王奕文, 王正通, 王唯伟, 等. 基于IVIM的多参数磁共振成像预测乳腺癌新辅助化疗疗效的价值分析[J]. 医学影像学杂志, 2025, 35(5): 66-71. DOI: 10.20258/j.cnki.1006-9011.2025.05.016.
WANG Y W, WANG Z T, WANG W W, et al. The value of multi-parameter magnetic resonance imaging based on IVIM in predicting the efficacy of neoadjuvant chemotherapy for breast cancer[J]. J Med Imag, 2025, 35(5): 66-71. DOI: 10.20258/j.cnki.1006-9011.2025.05.016.
[25]
ZHANG H, ZHENG Y Y, ZHANG M Z, et al. Breast Cancer: Habitat imaging based on intravoxel incoherent motion for predicting pathologic complete response to neoadjuvant chemotherapy[J]. Med Phys, 2025, 52(6): 3711-3722. DOI: 10.1002/mp.17813.
[26]
SHAN H Y, KE T F, BAO S S, et al. Evaluation of functional magnetic resonance APT and DKI imaging for breast cancer[J/OL]. Cancer Cell Int, 2024, 24(1): 401 [2026-06-12]. https://link.springer.com/article/10.1186/s12935-024-03587-9. DOI: 10.1186/s12935-024-03587-9.
[27]
CHEN X L, LUO Y, XIE Z M, et al. Prediction of neoadjuvant chemotherapy efficacy in breast cancer: integrating multimodal imaging and clinical features[J/OL]. BMC Med Imaging, 2025, 25(1): 118 [2026-06-12]. https://pubmed.ncbi.nlm.nih.gov/40229675/. DOI: 10.1186/s12880-025-01631-2.
[28]
陈子蕙, 张莫云, 王美佳, 等. 合成MRI在临床疾病中的研究进展[J]. 磁共振成像, 2025, 16(7): 227-234. DOI: 10.12015/issn.1674-8034.2025.07.036.
CHEN Z H, ZHANG M Y, WANG M J, et al. Research progress of synthetic MRI in clinical diseases[J]. Chin J Magn Reson Imaging, 2025, 16(7): 227-234. DOI: 10.12015/issn.1674-8034.2025.07.036.
[29]
王亚楠, 宋丹. 基于弛豫时间的MRI定量分析技术在乳腺病变诊断及病情评估中的应用[J]. 中国卫生工程学, 2024, 23(6): 802-804.
WANG Y N, SONG D. Application of MRI quantitative analysis technology based on relaxation time in diagnosis and condition evaluation of breast lesions[J]. Chin J Public Health Eng, 2024, 23(6): 802-804.
[30]
ZHAO R M, DU S Y, GAO S, et al. Time course changes of synthetic relaxation time during neoadjuvant chemotherapy in breast cancer: the optimal parameter for treatment response evaluation[J]. J Magn Reson Imaging, 2023, 58(4): 1290-1302. DOI: 10.1002/jmri.28597.
[31]
ZHAN T, YI C H, LANG Y Y. Predicting efficacy of neoadjuvant chemotherapy in breast cancer patients with synthetic magnetic resonance imaging method MAGiC: an observational cohort study[J/OL]. Eur J Radiol, 2024, 179: 111666 [2026-06-12]. https://www.ejradiology.com/article/S0720-048X(24)00382-6/abstract. DOI: 10.1016/j.ejrad.2024.111666.
[32]
张晓英, 丁莹莹, 李卓琳, 等. 瘤周合成MRI定量参数在评估乳腺癌新辅助化疗疗效中的价值[J]. 临床放射学杂志, 2025, 44(6): 1010-1014.
ZHANG X Y, DING Y Y, LI Z L, et al. The value of synthetic MRI quantitative parameters in the peritumoral region for evaluating the efficacy of neoadjuvant chemotherapy in breast cancer[J]. J Clin Radiol, 2025, 44(6): 1010-1014.
[33]
WU H H, HUANG Z B, WANG J. Neoadjuvant chemotherapy efficacy in breast cancer: insights from magnetic resonance imaging compilation (MAGIC)[J]. Acad Radiol, 2025, 32(8): 4369-4381. DOI: 10.1016/j.acra.2025.04.020.
[34]
HWANG K P, ELSHAFEEY N A, KOTROTSOU A, et al. A radiomics model based on synthetic MRI acquisition for predicting neoadjuvant systemic treatment response in triple-negative breast cancer[J/OL]. Radiol Imaging Cancer, 2023, 5(4): e230009 [2026-06-12]. https://pubmed.ncbi.nlm.nih.gov/37505106/. DOI: 10.1148/rycan.230009.
[35]
JOO S, KO E S, KWON S, et al. Multimodal deep learning models for the prediction of pathologic response to neoadjuvant chemotherapy in breast cancer[J/OL]. Sci Rep, 2021, 11: 18800 [2026-06-12]. https://www.nature.com/articles/s41598-021-98408-8. DOI: 10.1038/s41598-021-98408-8.
[36]
LIN R C, HE Z F, HAN J J, et al. A foundation model for predicting outcomes of neoadjuvant chemotherapy in breast cancer[J]. Int J Surg, 2026, 112(2): 2225-2242. DOI: 10.1097/js9.0000000000003999.
[37]
HUANG Y, WANG X X, CAO Y, et al. Nomogram for predicting neoadjuvant chemotherapy response in breast cancer using MRI-based intratumoral heterogeneity quantification[J/OL]. Radiology, 2025, 315(1): e241805 [2026-06-12]. https://pubmed.ncbi.nlm.nih.gov/40232145/. DOI: 10.1148/radiol.241805.
[38]
BURSTEIN H J, CURIGLIANO G, GNANT M, et al. Tailoring treatment to cancer risk and patient preference: the 2025 St Gallen International Breast Cancer Consensus Statement on individualizing therapy for patients with early breast cancer[J]. Ann Oncol, 2025, 36(12): 1433-1446. DOI: 10.1016/j.annonc.2025.09.007.
[39]
WANG X X, BA R C, HUANG Y, et al. Time-dependent diffusion MRI helps predict molecular subtypes and treatment response to neoadjuvant chemotherapy in breast cancer[J/OL]. Radiology, 2024, 313(1): e240288 [2026-06-12]. https://pubmed.ncbi.nlm.nih.gov/39436292/. DOI: 10.1148/radiol.240288.
[40]
LOUIS F M, VAN DER VOORT A, VAN RAMSHORST M S, et al. MRI-based personalisation of neoadjuvant chemotherapy duration in HER2-positive early breast cancer (TRAIN-3): primary results from a multicentre, single-arm, phase 2 study[J]. Lancet Oncol, 2026, 27(3): 349-360. DOI: 10.1016/S1470-2045(25)00707-7.
[41]
KAPLAN E, ALAKUS H, KAPLAN S. Pre-treatment breast MRI features and ADC values as predictors of pathologic complete response in breast cancer: a molecular subtype-based analysis[J/OL]. Diagnostics, 2026, 16(6): 938 [2026-06-12]. https://pubmed.ncbi.nlm.nih.gov/41897671/. DOI: 10.3390/diagnostics16060938.
[42]
WU C Y, JARRETT A M, ZHOU Z J, et al. MRI-based digital models forecast patient-specific treatment responses to neoadjuvant chemotherapy in triple-negative breast cancer[J/OL]. Cancer Res, 2022, 82(18): CAN-C22-1329 [2026-06-12]. https://pubmed.ncbi.nlm.nih.gov/35914239/. DOI: 10.1158/0008-5472.CAN-22-1329.
[43]
YU Y F, HE Z F, OUYANG J, et al. Magnetic resonance imaging radiomics predicts preoperative axillary lymph node metastasis to support surgical decisions and is associated with tumor microenvironment in invasive breast cancer: a machine learning, multicenter study[J/OL]. EBioMedicine, 2021, 69: 103460 [2026-06-12]. https://pubmed.ncbi.nlm.nih.gov/34233259/. DOI: 10.1016/j.ebiom.2021.103460.
[44]
RAMTOHUL T, DJERROUDI L, LISSAVALID E, et al. Multiparametric MRI and radiomics for the prediction of HER2-zero, -low, and-positive breast cancers[J/OL]. Radiology, 2023, 308(2): e222646 [2026-06-12]. https://pubmed.ncbi.nlm.nih.gov/37526540/. DOI: 10.1148/radiol.222646.
[45]
SHI Z W, HUANG X M, CHENG Z L, et al. MRI-based quantification of intratumoral heterogeneity for predicting treatment response to neoadjuvant chemotherapy in breast cancer[J/OL]. Radiology, 2023, 308(1): e222830 [2026-06-12]. https://pubmed.ncbi.nlm.nih.gov/37432083/. DOI: 10.1148/radiol.222830.
[46]
HUANG Y H, SHI Z Y, ZHU T, et al. Longitudinal MRI-driven multi-modality approach for predicting pathological complete response and B cell infiltration in breast cancer[J/OL]. Adv Sci, 2025, 12(12): 2413702 [2026-06-12]. https://advanced.onlinelibrary.wiley.com/doi/10.1002/advs.202413702. DOI: 10.1002/advs.202413702.
[47]
RAMTOHUL T, LOLLIVIER D, SPRIET J, et al. Posttreatment MRI to predict pathologic complete response of triple-negative breast cancer to neoadjuvant chemoimmunotherapy[J/OL]. Radiology, 2025, 316(1): e243824 [2026-06-12]. https://pubmed.ncbi.nlm.nih.gov/40590696/. DOI: 10.1148/radiol.243824.
[48]
CHEN Y L, QIN Y, YANG M, et al. The role of radiomics in predicting the response to neoadjuvant chemotherapy for breast cancer[J]. Cancer Biol Med, 2026, 23(3): 343-362. DOI: 10.20892/j.issn.2095-3941.2025.0655.
[49]
CHEN X X, WANG X M, ZHANG K, et al. Recent advances and clinical applications of deep learning in medical image analysis[J/OL]. Med Image Anal, 2022, 79: 102444 [2026-06-12]. https://www.sciencedirect.com/science/article/abs/pii/S1361841522000913via%3Dihub. DOI: 10.1016/j.media.2022.102444.
[50]
KUMARI S, SINGH P. Deep learning for unsupervised domain adaptation in medical imaging: Recent advancements and future perspectives[J/OL]. Comput Biol Med, 2024, 170: 107912 [2026-06-12]. https://www.sciencedirect.com/science/article/pii/S001048252301377Xvia%3Dihub. DOI: 10.1016/j.compbiomed.2023.107912.
[51]
MAO N, DAI Y, ZHOU H, et al. A multimodal and fully automated system for prediction of pathological complete response to neoadjuvant chemotherapy in breast cancer[J/OL]. Sci Adv, 2025, 11(18): eadr1576 [2026-06-12]. https://pubmed.ncbi.nlm.nih.gov/40305609/. DOI: 10.1126/sciadv.adr1576.
[52]
ZHANG J D, LI Y H, LI Z R, et al. Deep-learning-based HER2 status assessment from multimodal breast cancer data predicts neoadjuvant therapy response[J]. Nat Biomed Eng, 2026, 10(6): 1235-1246. DOI: 10.1038/s41551-025-01495-5.
[53]
HUANG Y H, ZHU T, ZHANG X L, et al. Longitudinal MRI-based fusion novel model predicts pathological complete response in breast cancer treated with neoadjuvant chemotherapy: a multicenter, retrospective study[J/OL]. EClinicalMedicine, 2023, 58: 101899 [2026-06-12]. https://pubmed.ncbi.nlm.nih.gov/37007742/. DOI: 10.1016/j.eclinm.2023.101899.
[54]
ZHANG S, SHI Z H, DU S Y, et al. Integration of longitudinal MRI and biopsy whole slide images for early prediction of neoadjuvant therapy response and personalized management in breast cancer: a multicenter retrospective and prospective study[J/OL]. Cancer Lett, 2026, 650: 218508 [2026-06-12]. https://pubmed.ncbi.nlm.nih.gov/41985873/. DOI: 10.1016/j.canlet.2026.218508.
[55]
GAO Y, VENTURA-DIAZ S, WANG X, et al. An explainable longitudinal multi-modal fusion model for predicting neoadjuvant therapy response in women with breast cancer[J/OL]. Nat Commun, 2024, 15: 9613 [2026-06-12]. https://www.nature.com/articles/s41467-024-53450-8. DOI: 10.1038/s41467-024-53450-8.
[56]
HUANG Y H, SONG X Y, CHEN Y L, et al. Intratumoral microbiome-related MRI model for predicting breast cancer shrinkage pattern following neoadjuvant therapy[J/OL]. Radiology, 2025, 316(2): e243545 [2026-06-12]. https://pubmed.ncbi.nlm.nih.gov/40892452/. DOI: 10.1148/radiol.243545.

上一篇 冠状动脉磁共振血管成像研究进展
下一篇 基于乳腺MRI的Kaiser评分研究进展
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2