空军总医院医学影像科主任，副主任医师，副教授，医学博士
学术任职：
中华乳腺放射学会全国委员、中国医师协会乳腺专业委员会委员、北京市放射学会委员、中国抗癌协会肿瘤影像专业委员会常委、中国医学装备协会CT工程技术专家委员会委员、中国医学装备协会磁共振专委会委员、中国研究型医院放射诊断专业青年委员会常委、北京市放射学会乳腺组委员、北京乳腺病防治学会影像诊断专业委员会常委、全军放射学会青年委员、空军医学影像专家委员会委员。International Journal of Radiology编委、Journal of Magnetic Resonance Imaging及《中华肿瘤杂志》审稿专家。
2015年作为优秀医学人才到意大利佛罗伦萨大学医院学习肿瘤CT、MRI及综合影像学诊断，师从欧洲著名肿瘤影像学专家Carpi教授和Collini教授。承担或参与国家级课题2项、北京市首都医学发展基金项目1项、军队十一五重大课题分支课题1项，参编著作2部。
发表科研论著50余篇，SCI收录论著5篇。获得军队医疗成果二等奖2项（第二完成人），军队医疗成果三等奖2项。
上下滑动查看更多信息
中国医科大学空军特色医学中心研究生在读
作者
王春艳1,2，徐京瑶1,3，李相生1*
文献引用格式
[1]王春艳,徐京瑶,李相生.基于人工智能的乳腺癌异质性多模态MRI评价研究进展[J].中国医学影像学杂志,2025,33(2):210-214. DOI:10.3969/j.issn.1005-5185.2025.02.020.
乳腺癌是异质性较高的恶性肿瘤，不同个体病理表现、组织结构、形态、纹理特征及治疗效果等存在很大差异，针对乳腺癌异质性进行评价对个体化治疗方案设计及疗效预测具有重要意义。目前，利用多模态MRI可以敏感地评价病变范围、形态、边缘、内部强化方式及时间-信号强度曲线、表观扩散系数等信息，有望实现乳腺癌异质性的有效预测。人工智能在乳腺癌异质性多模态MRI评价方面具有较高的临床指导意义。本文基于人工智能乳腺癌异质性多模态MRI评价的研究进展进行综述，以提高乳腺癌的个体化诊治水平。
乳腺癌占女性癌症的1/3，是最常见女性癌症的主要死亡原因之一[1]。乳腺癌切除术后5年内年化复发风险为10.4%，5年后年化复发率在雌激素受体（estrogen receptor，ER）阳性患者中呈相对稳定升高[2]。乳腺癌是一种异质性较高的恶性肿瘤，其异质性表现在不同肿瘤、肿瘤内不同区域和乳腺癌不同分子亚型之间，导致乳腺癌影像学特征不典型和个体化差异较大，造成诊断困难，也给乳腺癌治疗方案的设计及疗效预测带来挑战[3]。
目前，乳腺X线摄影、超声和MRI是检出乳腺癌的常用影像学方法，MRI软组织分辨力高，在检出和诊断乳腺癌方面具有较高的敏感度，是一种多种序列相结合的多模态成像方法[4]，能够提供更多可用于人工智能（artificial intelligence，AI）算法的潜在数据，在评价乳腺癌异质性方面具有巨大的应用前景。本文对AI乳腺癌异质性多模态MRI评价研究的最新进展进行综述，以拓宽AI多模态MRI在乳腺癌异质性评价中的临床应用范围。
既往研究将乳腺癌异质性表述为孕激素受体（progesterone receptor，PR）、人表皮生长因子受体-2（HER-2）、ER表达不同，临床上，这些标志物已经定义了乳腺癌，同时能够为临床精准诊治和预后提供有价值的信息。商久妍等[5]将肿瘤分为4种内在分子亚型（luminal A、luminal B、HER-2-enriched、basal-like），进一步细化了乳腺癌分子亚型特征。
乳腺癌异质性可表现为时间异质性和空间异质性，其中时间异质性通常指在肿瘤发展过程中，在不同时期原发病灶的肿瘤细胞存在差异[6]，并且在不同时期表型间可相互转化，或在原发灶和复发灶中分子分型和生物学行为存在差异。乳腺癌的空间和时间异质性在很大程度上影响了患者预后。周嘉音等[7]通过MRI时间及空间异质性模型对三阴性乳腺癌病理完全缓解（pathologic complete response，pCR）进行有效预测，证实其预测三阴性乳腺癌pCR的能力。Jackson等[8]通过对乳腺癌患者研究发现，克隆进化和空间上不同的肿瘤微环境会驱动患者间和患者内部的细胞异质性，并阻碍有效治疗，进而导致预后较差。
乳腺癌异质性也可表现为表型异质性和基因异质性。表型异质性是由遗传和非遗传影响引起的细胞表型的肿瘤内异质性；另外，肿瘤微环境具有更高的空间和时间变异性，也可能转化为肿瘤细胞更高的表型异质性[9]。Nguyen等[10]从2个乳腺癌细胞系中获得近200个克隆亚群，并通过对29个乳腺癌细胞系的自动图像分析，评估这些细胞内克隆亚群的异质性。基因异质性是由于基因组的不稳定性，基因在一定条件下发生变异，使癌症亚群不断适应癌症在进展期间遇到不断变化的环境压力，呈现出基因表达状态的多样化[10]。总之，乳腺癌表型异质性和基因异质性有可能诱发肿瘤进展，增强肿瘤的转移能力和治疗拮抗。
AI在乳腺癌异质性领域的应用主要体现在运用机器学习对乳腺癌异质性进行检测、特性描述以及监测[11]。机器学习是计算机科学与统计学的交叉领域，是从大量且多元的数据中得到预测、判断或见解的有力工具[12]。目前，最常应用于乳腺癌的机器学习算法包括传统的逻辑回归、支持向量机算法、决策树、线性回归、Logistic回归、朴素贝叶斯模型等。
机器学习框架飞速发展，从传统的机器学习逐步发展到神经网络，出现了更复杂的深度学习算法，如卷积神经网络（convolutional neural networks，CNN）、生成网络、递归神经网络、转移学习和注意力机制等[13]，并将这些算法逐步运用到乳腺癌领域。深度学习是机器学习的一部分，它建立在深层神经网络的基础上[14]，是最接近人类将机器学习引入各领域的最初目标，模拟人类的思维方式并做出决策。通过从局部到整体，从低级到高级，从边缘特征到整体形状，将感兴趣区逐步抽象出来[15]。通过相关感兴趣区的影像特点，自动提取感兴趣区，进而使自动分析乳腺癌MRI图像成为可能。随着AI算法的发展，基于AI的多模态MRI在乳腺癌分子亚型、新辅助化疗（neoadjuvant chemotherapy，NAC）疗效、乳腺癌其他预后风险因素等异质性的预测方面取得了很大进步。
3.1 乳腺癌分子亚型异质性预测
ER、PR、Ki-67、HER-2是乳腺癌常用的生物学标志物[16]，基于这些生物标志物的状态，可分为管腔A、管腔B、HER-2过表达型和三阴性乳腺癌[17]，随着AI技术的不断发展，基于乳腺多模态MRI，使用AI技术可以有效预测乳腺癌的分子亚型。Brancato等[18]利用多模态MRI图像以及用于乳腺癌管理的相关分子标志物的全面数据集，应用两步特征选择放射组学方法，构建机器学习模型，预测乳腺癌最常用的4种分子标记物（ER、HER-2、Ki-67、PR）性能，这些标志物的F1评分分别达到84%、63%、90%和72%，可以有效预测乳腺癌相关的分子标志物。
随着AI的不断发展，深度学习算法逐步应用到乳腺癌异质性研究中，使其得到进一步发展。Ha等[19]开发了一种根据乳腺癌MRI特征预测分子亚型的新型CNN算法，与既往依赖专业人士提取特征的半自动化技术相比，此算法使用端到端方式，研究输入要素的能力得到提高，对管腔A型、管腔B、HER-2和basal-like 4种分子亚型进行评估的准确度达到70%，受试者工作特征曲线下面积（AUC）为0.853，表明应用新型CNN对乳腺癌MRI进行分析，可以很好地预测乳腺癌的分子亚型。由于MRI数据较多，Yin等[20]使用带迁移学习的CNN，基于多参数MRI数据对乳腺癌分子亚型进一步进行无创评估，结果表明，基于DCE-MRI T1WI时间信号强度曲线建立的CNN模型性能优于基于表观扩散系数的模型和T2WI的预测模型。
尽管AI在乳腺癌异质性预测方面取得了很大进步，但是仅预测乳腺癌分子分型异质性并不能完全满足患者和临床需要，AI在乳腺癌异质性MRI方面的应用还需要进一步探索。
3.2 乳腺癌NAC疗效异质性预测
乳腺癌的新辅助治疗是通过化疗、靶向治疗及内分泌治疗等方法进行治疗，尤其适用于想要通过新辅助治疗能够达到降期后手术、降期后能够保乳和经评估降期后能够保腋窝的患者，以及想要根据乳腺癌病灶新辅助治疗后是否达到pCR，制订相应的后续辅助治疗策略，达到改善预后目的的人群[21]。对于新辅助治疗疗效的预测越早越准确，有助于及时调整治疗方案，让患者受益。目前，对乳腺癌患者NAC疗效评估，常规评价方法是测量肿瘤直径或体积变化等判断疗效，但时间滞后，且肿瘤大小测量结果存在一定主观性。而使用AI能够更加客观、快速地提取医学影像中的信息；甚至有时这些信息肉眼无法识别，而AI可将这些信息转换成定量特征，筛选出其中与乳腺癌异质性极其相关的标记参数，用于NAC疗效的预测和评估。
近期，Xu等[22]基于乳腺癌MRI放射组学特征（包括纹理特征）、病理学特征和放射病理学特征分析建立预测模型，分析乳腺癌患者对NAC的病理反应。Xiong等[23]提取多参数T2WI、扩散加权成像（DWI）和DCE-MRI的纹理特征预测乳腺癌的化疗疗效，发现其可以很好地预测病理MillerPayne分级，AUC为0.935（95% CI 0.848~1）。Eun等[24]选取在NAC前和治疗中期（NAC第3或第4个周期）后的3.0T MRI图像（如T2WI、DCE-MRI的T1WI、DWI和表观扩散系数）进行纹理分析，采用随机森林方法建立预测模型，结果显示，在NAC的治疗中期使用DCE-MRI T1WI的随机森林方法纹理参数价值优于NAC前，且DCE-MRI的T1WI治疗中期显示出良好诊断性能，可显示乳腺癌的pCR；另外，多成像序列参数的结合比单一成像序列参数的预测效能更好。而纹理特征和肿瘤周围特征的纵向变化进一步提高了pCR预测性能。Hussain等[25]使用机器学习对治疗过程中多个时间点乳腺肿瘤和肿瘤周围MRI的纹理特征进行分析，并结合分子亚型预测NAC的最终pCR，研究表明，此方法可准确预测最终的pCR，AUC可达到0.96。
Cain等[26]采用两种基于影像学特征的多变量机器学习模型对所有新辅助治疗患者、NAC患者和三阴性或HER-2阳性（TN/HER-2）新辅助治疗患者的pCR进行预测，结果表明，TN/HER-2患者接受新辅助治疗后预测pCR的AUC显著（0.707，95% CI 0.582~0.833，P<0.002），表明基于预处理MRI特征的多元模型能够预测TN/HER-2患者的pCR。Khanna等[27]在传统机器学习基础上，联合深度学习的CNN，在乳腺癌MRI图像中早期预测NAC的pCR，研究结果显示，该模型使用化疗前采集的DCE-MRI图像对pCR和非pCR患者进行分类的准确度较高。而且在更大的数据集中，预测模型的效果可得到很大提高。此外，Liu等[28]将AI、临床变量与DCE-MRI结合使用，以评估NAC后乳腺癌患者的病理完全缓解，其准确度为92%。总之，基于乳腺MRI的AI算法能够很好地预测乳腺癌异质性NAC的疗效，并有助于根据预测结果及时调整治疗方案，减少无效治疗。但乳腺MRI最佳的成像序列参数组合尚无定论，还需要进一步比较研究[24]。
3.3 乳腺癌其他预后风险因素异质性预测
AI除能很好地预测乳腺癌分子亚型、NAC疗效外，也能很好地预测常见预后指标（如乳腺癌的复发、淋巴结转移等）。Lee等[29]应用从T2WI联合和不联合脂肪抑制和DCE-MRI T1WI联合脂肪抑制的3个MRI序列图像，用5个机器学习模型预测局部乳腺癌患者复发，将每个基础模型的性能与集成模型进行比较，结果发现，集成模型中的堆叠模型AUC优于其他模型（0.78），而其他模型的AUC为0.61~0.70。Chiacchiaretta等[30]从基于DCE-MRI的乳腺肿瘤内和肿瘤周围组织中提取影像组学特征，利用影像组学特征的多维性，使用机器学习方法推断复发风险，结果发现，基于影像组学的机器学习方法具有准确预测早期ER+/HER-2乳腺癌患者复发风险的潜力。
与既往手动或者半自动分割不同，Ma等[31]在NAC前后的DCE-MRI图像上采用深度学习分割模型，对肿瘤区域进行自动分割，然后对放射组学特征进行提取，预测NAC后三阴性乳腺癌患者的全身复发情况，结果显示，基于NAC前后MRI特征相结合建立的放射组学模型对NAC后3年内三阴性乳腺癌患者是否会出现全身复发有较好的预测效果，AUC可达到0.963。
作为影响乳腺癌预后的关键指征，腋窝淋巴结转移与肿瘤分子亚型存在特殊关联[32]，因此准确预测腋窝淋巴结转移具有重要意义。Zhang等[33]利用集成CNN模型，对T2WI、DWI和DCE-MRI图像进行研究，预测浸润性乳腺癌腋窝淋巴结转移，在测试集上CNN模型评估腋窝淋巴结状态的AUC分别达到0.908、0.702和0.572，多参数MRI模型的AUC达到0.913，同时也说明集成CNN模型的多参数MRI图像分析，在浸润性乳腺癌腋窝淋巴结转移的预测中具有实际应用价值。
总之，随着AI技术和MRI的快速发展，虽然基于多模态MRI的AI技术还存在很多局限性，对于实现精确诊断，辅助临床进行精准个体化治疗还有很长距离，但在乳腺癌异质性方面具有很好的应用前景，且此技术无创，能够实现治疗前预测，并有望使患者受益最大化。
利益冲突 所有作者均声明不存在利益冲突
[1] Siegel RL, Miller KD, Wagle NS, et al. Cancer statistics, 2023[J]. CA A Cancer J Clinicians, 2023, 73(1): 17-48. DOI: 10.3322/caac.21763.
[2] Colleoni M, Sun Z, Price KN, et al. Annual hazard rates of recurrence for breast cancer during 24 years of follow-up: results from the international breast cancer study group trials I to V[J]. J Clin Oncol, 2016, 34(9): 927-935. DOI: 10.1200/JCO.2015.62.3504.
[3] Ntirenganya F, Twagirumukiza JD, Bucyibaruta G, et al. Breast cancer heterogeneity[J]. J Clin Sci, 2022, 19(4): 112-118. DOI: 10.4103/jcls.jcls_47_22.
[4] 孙康康, 陈伟, 李奇轩, 等. 多模态MRI脑肿瘤图像分割方法研究进展[J]. 磁共振成像, 2023, 14(11): 164-169. DOI: 10.12015/issn.1674-8034.2023.11.028.
[5] 商久妍, 贾珂琪, 郭启涛, 等. 乳腺癌HER-2表达异质性的研究进展及临床意义[J]. 临床与实验病理学杂志, 2023, 39(3): 339-342. DOI: 10.13315/j.cnki.cjcep.2023.03.017.
[6] 蒋梦怡, 陆言巧, 王红霞. 乳腺癌异质性的研究进展及临床意义[J]. 中国癌症杂志, 2020, 30(5): 394-400. DOI: 10.19401/j.cnki.1007-3639.2020.05.012.
[7] 周嘉音, 尤超, 王泽洲, 等. 基于MRI时空异质性模型预测三阴性乳腺癌病理完全缓解[J]. 磁共振成像, 2024, 15(1): 28-34. DOI: 10.12015/issn.1674-8034.2024.01.005.
[8] Jackson HW, Fischer JR, Zanotelli VRT, et al. The single-cell pathology landscape of breast cancer[J]. Nature, 2020, 578(7796): 615-620. DOI: 10.1038/s41586-019-1876-x.
[9] 贺新, 彭书甲, 师弘. 乳腺癌患者原发灶与复发转移灶中ER、PR、HER-2及Ki-67表达异质性的回顾性分析[J]. 现代肿瘤医学, 2023, 31(9): 1660-1665. DOI: 10.3969/ j.issn.1672-4992.2023.09.014.
[10] Nguyen A, Yoshida M, Goodarzi H, et al. Highly variable cancer subpopulations that exhibit enhanced transcriptome variability and metastatic fitness[J]. Nat Commun, 2016, 7: 11246. DOI: 10.1038/ncomms11246.
[11] Wang Z, WeiS. Diagnosing breast cancer subtypes using MRI radiomics and machine learning: a systematic review[J]. J Radiat Res Appl Sci, 2025, 18(1): 101260. DOI: 10.1016/j. jrras.2024.101260.
[12] Jordan MI, Mitchell TM. Machine learning: trends, perspectives, and prospects[J]. Science, 2015, 349(6245): 255-260. DOI: 10.1126/science.aaa8415.
[13] 王文江, 李娇娇, 王梓萌, 等. 基于深度学习融合T2WI和DCE-MRI模型在乳腺病变分类中的应用[J]. 临床放射学杂志, 2024, 43(11): 1871-1876. DOI: 10.13437/j.cnki.jcr. 2024. 11.033.
[14] 李亮, 可赞, 曾菲菲, 等. 基于乳腺X线摄影的神经网络深度学习模型对乳腺病变的诊断价值[J]. 国际医学放射学杂志, 2024, 47(6): 696-701. DOI: 10.19300/j.2024.L21301.
[15] 胡兴刚, 王娴, 张扬, 等. 基于深度学习算法的自动勾画系统在头颈部危及器官勾画精度的研究[J]. 中国医学物理学杂志, 2024, 41(5): 548-553. DOI: 10.3969/j.issn.1005-202X.2024.05.004.
[16] 胡高杰, 张小杉, 樊炳慧, 等. 超声造影在不同分子分型乳腺癌鉴别诊断中的应用[J]. 中国医学影像学杂志, 2024, 32(11): 1134-1139. DOI: 10.3969/j.issn.1005-5185.2024. 11.008.
[17] Guo L, Kong D, Liu J, et al. Breast cancer heterogeneity and its implication in personalized precision therapy[J]. Exp Hematol Oncol, 2023, 12(1): 3. DOI: 10.1186/s40164-022-00363-1.
[18] Brancato V, Brancati N, Esposito G, et al. A two-step feature selection radiomic approach to predict molecular outcomes in breast cancer[J]. Sensors, 2023, 23(3): 1552. DOI: 10.3390/s23031552.
[19] Ha R, Mutasa S, Karcich J, et al. Predicting breast cancer molecular subtype with MRI dataset utilizing convolutional neural network algorithm[J]. J Digit Imaging, 2019, 32(2): 276-282. DOI: 10.1007/s10278-019-00179-2.
[20] Yin H, Bai L, Jia H, et al. Noninvasive assessment of breast cancer molecular subtypes on multiparametric MRI using convolutional neural network with transfer learning[J]. Thorac Cancer, 2022, 13(22): 3183-3191. DOI: 10.1111/ 1759-7714.14673.
[21] 邵志敏, 吴炅, 江泽飞, 等. 中国乳腺癌新辅助治疗专家共识(2022年版)[J]. 中国癌症杂志, 2022, 32(1): 80-89. DOI: 10.19401/j.cnki.1007-3639.2022.01.011.
[22] Xu N, Guo X, Ouyang Z, et al. Multiparametric MRI-based radiomics combined with pathomics features for prediction of the efficacy of neoadjuvant chemotherapy in breast cancer[J]. Heliyon, 2024, 10(2): e24371. DOI: 10.1016/j.heliyon. 2024.e24371.
[23] Xiong Q, Zhou X, Liu Z, et al. Multiparametric MRI-based radiomics analysis for prediction of breast cancers insensitive to neoadjuvant chemotherapy[J]. Clin Transl Oncol, 2020, 22(1): 50-59. DOI: 10.1007/s12094-019-02109-8.
[24] Eun NL, Kang D, Son EJ, et al. Texture analysis with 3.0-T MRI for association of response to neoadjuvant chemotherapy in breast cancer[J]. Radiology, 2020, 294(1): 31-41. DOI: 10.1148/radiol.2019182718.
[25] Hussain L, Huang P, Nguyen T, et al. Machine learning classification of texture features of MRI breast tumor and peri-tumor of combined pre- and early treatment predicts pathologic complete response[J]. Biomed Eng Online, 2021, 20(1): 63. DOI: 10.1186/s12938-021-00899-z.
[26] Cain EH, Saha A, Harowicz MR, et al. Multivariate machine learning models for prediction of pathologic response to neoadjuvant therapy in breast cancer using MRI features: a study using an independent validation set[J]. Breast Cancer Res Treat, 2019, 173(2): 455-463. DOI: 10.1007/s10549-018-4990-9.
[27] Khanna P, Sahu M, Kumar Singh B, et al. Early prediction of pathological complete response to neoadjuvant chemotherapy in breast cancer MRI images using combined Pre-trained convolutional neural network and machine learning[J]. Measurement, 2023, 207: 112269. DOI: 10.1016/j. measurement.2022.112269.
[28] Liu T, Wang H, Feng F, et al. Integrating clinicopathologic information and dynamic contrast-enhanced MRI for augmented prediction of neoadjuvant chemotherapy response in breast cancer[J]. Biomed Signal Process Contr, 2025, 103: 107385. DOI: 10.1016/j.bspc.2024.107385.
[29] Lee J, Yoo SK, Kim K, et al. Machine learning-based radiomics models for prediction of locoregional recurrence in patients with breast cancer[J]. Oncol Lett, 2023, 26(4): 422. DOI: 10.3892/ol.2023.14008.
[30] Chiacchiaretta P, Mastrodicasa D, Chiarelli AM, et al. MRI-based radiomics approach predicts tumor recurrence in ER +/HER2 - early breast cancer patients[J]. J Digit Imaging, 2023, 36(3): 1071-1080. DOI: 10.1007/s10278-023-00781-5.
[31] Ma M, Gan L, Liu Y, et al. Radiomics features based on automatic segmented MRI images: Prognostic biomarkers for triple-negative breast cancer treated with neoadjuvant chemotherapy[J]. Eur J Radiol, 2022, 146: 110095. DOI: 10.1016/j.ejrad.2021.110095.
[32] 桑田, 康燕飞, 曹玉文, 等. 乳腺癌肿块弹性特征及免疫组化指标预测腋窝淋巴结转移的价值[J]. 中国医学影像学杂志, 2022, 30(8): 776-782. DOI: 10.3969/j.issn.1005-5185.2022.08.005.
[33] Zhang X, Liu M, Ren W, et al. Predicting of axillary lymph node metastasis in invasive breast cancer using multiparametric MRI dataset based on CNN model[J]. Front Oncol, 2022, 12: 1069733. DOI: 10.3389/fonc.2022.1069733.
向下滑动查看更多参考文献
本文为《中国医学影像学杂志》原创文章。若您需要转载本文，请通过公众号联系本刊编辑部获得授权，并在醒目位置注明“原文刊发于《中国医学影像学杂志》，卷（期）：起止页码”，期待与您的合作！
