引用本文： 張靜文, 張懿敏, 孫圣榮. 基于AI及影像組學在乳腺癌新輔助治療中應用的研究進展. 中國普外基礎與臨床雜志, 2024, 31(7): 881-885. doi: 10.7507/1007-9424.202401040 復制
版權信息： ?四川大學華西醫院華西期刊社《中國普外基礎與臨床雜志》版權所有，未經授權不得轉載、改編
乳腺癌新輔助治療（neoadjuvant therapy，NAT）可以縮小乳腺腫瘤體積、降低腫瘤分期，為臨床診療提供早期療效評估和藥物敏感信息，從而指導后續治療[1]。由于腫瘤的異質性，乳腺癌NAT的預期與最終結果可能存在較大差異[2]。有研究表明，接受NAT后獲得病理完全緩解（pathologic complete response，pCR）的乳腺癌患者總生存率及無病生存率均高于未獲得pCR的患者[3]，所以需要盡早且盡可能全面準確評估NAT療效[4]。
現階段主要的評估檢查有鉬靶、超聲、磁共振成像（magnetic resonance imaging，MRI）等影像學檢查以及病理學檢查，病理學檢查雖為金標準，但有創傷且時間點為NAT完全結束后，NAT治療中途不便反復進行。鉬靶對微鈣化檢測較為敏感，但易受乳腺腺體扭曲及非對稱致密化影響從而容易導致漏診[5]。目前與人工智能（artificial intelligence，AI）相結合的鉬靶研究多為乳腺良惡性腫瘤分割、提高乳腺癌早期診斷敏感度、降低誤診率等診斷方面[6-8]。在乳腺癌NAT療效預測方面，研究更多的是超聲及MRI。筆者現就國內外各學者團隊在基于AI及影像組學下的乳腺癌NAT療效預測的各項研究展開綜述，比較超聲和磁共振成像這兩種影像學的代表設計模型，分析對比它們的優缺點，解釋AI及影像組學在該領域的新貢獻，為乳腺癌的臨床診治及療效評估提供參考。
1 AI及影像組學在乳腺腫瘤影像中的研究和應用現狀
自20世紀60年代開始，AI在乳腺圖像領域開始有了長足發展，通過處理來自不同成像模式的乳腺圖像數據，獲得輸出信息以輔助臨床醫生對于乳腺圖像的判斷及疾病的治療[9]。現階段，已有多篇相關文獻提出了不同AI學習方法及模型處理技術，目前主要有兩大方法，即傳統影像學組學方法和AI中的深度學習（deeping learning，DL）方法[10]。傳統影像學組方法，是指從醫學影像中提取大量的圖像特征，應用計算機輔助診斷技術來體現腫瘤異質性，以輔助臨床醫師的診治。影像組學這一概念最早由荷蘭學者Lambin等[11]于2012年提出，大概流程為：收集處理高質量的圖像、勾畫感興趣區域、分割圖像及重建、提取定量特征和建立預測模型。深度學習方法，是AI中機器學習（machine learning，ML）中更凝聚更深一層的算法[12]，其中卷積神經網絡（convolutional neural networks，CNN）是DL最常用的學習算法，由一系列的輸入層、卷積層、池化層及全連接層組成[13]，其經典CNN分別為AlexNet、VGG及GoogleNet。 AlexNet是由Alex團隊在 2012 年提出，是首個真正意義上的CNN，它使得學習數據集特征更高效且提高了圖像分類的精度[14]。VGG是2014年由Oxford的Visual Geometry Group組提出，網絡結構簡潔，性能有較大提升，但耗費計算資源且參數使用多，內存大[15]。GoogleNet是2014年由Google推出的基于Inception模塊的CNN，該網絡與其余CNN相比不僅有深度，還在橫向上具有“寬度” [16]。以上兩種主要方法在乳腺腫瘤的檢測、診斷、分子分型、療效預測及預后方面均有運用，但差別則在于提取影像學特征時是否需要預先定義特征。由于DL不需要預先定義特征，表現出了更高的預測性能。
在現階段的乳腺腫瘤臨床診療中，腫瘤的影像學信息大多未得到充分利用，仍需要借助各種工具進行深度挖掘，為乳腺腫瘤診斷、治療效果評估和預測NAT療效提供新的線索[17]。AI技術的進步為深入分析乳腺腫瘤影像圖像帶來了新的機遇。
2 結合AI及影像組學的超聲預測pCR模型是國內外研究熱點
超聲成像簡單、無輻射且動態實時，是監測乳腺癌NAT周期療效最重要的評估方法之一[18]，基于AI的超聲監測模型也是國內外團隊的研究熱點。
Byra團隊[19]2020年提出了暹羅CNN（Siamese CNN，Siamese CNN）模型，其目的是評估NAT引起的腫塊形狀變化是否可以用來區分治療反應者，即用來評估NAT療效。這是第一個基于DL和形態學特征預測超聲圖像下的乳腺癌對NAT反應的研究，該研究納入30例患有39種乳腺腫瘤患者，收集患者接受第1次NAT和第2次NAT之前和之后1周內采集的共計156張超聲圖像，模型使用ImageNet數據集進行預培訓并利用雙遷移學習微調，建立logistic回歸預測模型，通過比較NAT之前和之后收集的腫瘤超聲圖像繪制受試者工作特征曲線（receiver operating characteristic curve，ROC），并計算曲線下面積（area under the curve，AUC）來預測NAT反應。結果為接受第2次NAT后的Siamese模型AUC值為0.847，并經過雙遷移學習微調和未經雙遷移學習微調開發的模型之間AUC值沒有明顯差異。該研究展示了利用超聲圖像，使用DL方法早期預測乳腺癌NAT反應的可行性。該Siamese模型可以直接比較NAT不同階段收集的超聲圖像，不僅可以了解腫瘤的外觀，還可以了解腫瘤周圍的組織，為以后加深了解腫瘤后方陰影和脂肪組織相關的超聲圖像特征相關性提供了思路。其次，該影像學模型的方法是通用的，也可以考慮使用MRI等其余影像學圖像來評估NAT反應。
國內學者Liu教授團隊[20]2022年同樣開發了一種基于DL的暹羅多任務網絡（Siamese multi-task network，SMTN）模型，該研究多中心收集了393例人類表皮生長因子受體2（human epidermal growth factor receptor 2，HER2）陽性乳腺癌患者在接受第1次NAT前后及第2次NAT前后的超聲圖像信息，設計模型把腫瘤分割和pCR預測進行結合，以用來預測HER2陽性乳腺癌的早期治療反應，即SMTN模型由腫瘤分割網絡和pCR預測網絡組成。患者分為訓練集（215例）和兩個外部隊列即測試集1（93例）和測試集2（83例）。結果顯示該模型的AUC訓練集為0.986 ［95%CI為（0.977，0.995）］，測試集1為0.902 ［95%CI為（0.856，0.948）］，測試集2為0.957 ［95%CI為（0.924，0.990）］，證明了基于DL的SMTN模型在評估NAT治療反應方面表現出了優越的性能；此外，SMTN模型不受激素受體分子亞型和抗HER2 治療方案的影響，故此模型精確而穩健，除了預測 HER2陽性乳腺癌的早期治療反應外，還可以幫助臨床醫生早期調整非pCR患者的治療方案，從而提高pCR率并避免毒性反應。
綜上，基于AI的乳腺癌NAT超聲圖像預測模型總體上預測性能較好，在一定程度上減輕影像科醫師的負擔，輔助臨床醫師更好地監測評估乳癌患者NAT療效。各模型優勢側重不同，相似的不足點則是模型仍需后期補充數據進一步驗證。
另外，與Byra團隊同時期的Jiang團隊[21]的模型設計在基于DL的基礎上，還增加了影像組學的內容。該研究納入對象為局部晚期乳腺癌患者，分為學習集356例，測試集236例；研究提取接受NAT之前和之后的基于DL的影像組學特征，并和獨立的臨床病理學危險因素進行模型構建，開發DL影像組學列線圖（deep learning radiomic nomogram，DLRN）模型，結果顯示DLRN模型準確預測了pCR狀態，在測試集中AUC高達0.94 ［95%CI為（0.91，0.97）］，顯示出良好的校準，且與臨床模型和人工影像組學模型比較差異均有統計學意義（P<0.05）。DLRN模型體現出對接受NAT的局部晚期乳腺癌的良好pCR預測價值，可為個體治療提供有價值的信息。但該回顧性研究的局限性不容忽視，因為超聲機器品牌及使用的探頭頻率范圍設置不統一，提取的影像組學數據可能存在一定差異，所以很難判定是否對模型預測性能有影響。
3 基于AI及影像組學的MRI在NAT療效評估中的研究深入且豐富
MRI是廣泛運用于乳腺腫瘤圖像領域的醫學影像技術，利用磁場和無線電波生成具有高分辨率的乳腺內部結構及腫瘤顯示圖像[22]，在協助外科醫生進行乳腺癌術前分期和評估NAT療效方面相較其他影像學檢查具有明顯優勢[23]。有研究[22, 24-25]表明，在評估腫瘤殘留和NAT療效方面，MRI是最準確和最有效的方法之一。但由于腫瘤異質性，僅依靠MRI形態學變化來評估NAT療效還不夠，不能直接決定臨床決策[26]。目前，基于AI及影像組學的MRI預測pCR模型研究正在迅速發展。
Cain團隊[27]2018年設計一種多變量DL模型來預測pCR率，該研究納入接受NAT的288例患者，從接受NAT之前的MRI圖像中提取了529個影像組學特征來構建模型，均分成相等的訓練集及測試集，分別預測患者的pCR及三陰性（triple-negative，TN）或HER2陽性（TN/HER2+） NAT患者的pCR。結果顯示TN/HER2+ 患者接受NAT治療后，預測pCR的AUC為0.707 ［95%CI為（0.582，0.833），P<0.002］。該研究證實了基于治療前MRI特征的多變量DL模型能夠預測TN/HER2+患者的pCR。
同樣， Sutton團隊[28]將MRI影像組學及分子亞型進行結合設計預測模型，并準確預測了利用MRI的pCR率（AUC為0.88）。該研究納入278例乳腺惡性腫瘤患者，收集NAT之前及之后的乳腺MRI圖像和手術病理報告，其中訓練集222例，測試集56例。設計僅使用影像組學的模型1和影像組學與分子亞型相結合的模型2，結果顯示僅使用影像組學的模型1在訓練集及測試集的AUC分別為0.80 ［95%CI為（0.72，0.87）］ 和0.78 ［95%CI為（0.62，0.94）］； 影像組學與分子亞型相結合的模型2在訓練集及測試集的AUC分別為0.72 ［95%CI為（0.64，0.79）］ 和0.83 ［95%CI為（0.71，0.94）］，且區間差異均無統計學意義（P1=0.1、P2=0.9）。該研究結果體現了基于MRI圖像的非侵入性影像組學模型可高精度和可重復性評估NAT后的pCR，也可促進NAT后 MRI報告的標準化。當然，該研究的局限性也需注意，在相同乳腺癌分子亞型中，NAT反應也會有所不同，這通常是由于基因組內和腫瘤間的異質性所造成的。因此，后續深入研究時需要注意擴大同類型分子亞型的數據集。
El Adoui團隊[29]2020年提出了一種新的DL模型，通過CNN對MRI進行計算分析，以多個MRI數據輸入來預測乳腺癌NAT反應，該模型在區分有反應和無反應患者方面表現出良好的效能。 該研究收集42例接受NAT治療的乳腺癌患者的723幀MRI軸向切片為模型訓練集，然后使用14例外部病例來驗證該模型在NAT之前和之后的pCR預測效能，并作ROC曲線圖比較AUC。結果顯示該模型在測試集中的AUC高達0.91，有著最佳的預測準確性。但模型存在一些明顯的局限性，比如病例數較少，其次需要專業人員對MRI數據進行預處理，即使用軟件來裁剪MRI影像下腫瘤體積并應用3D配準來對齊相應的切片，數據復現有一定難度。同年，使用基于MRI數據預處理設計預測模型的還有Joo團隊[30]，也提出了一種DL模型，該模型納入了536例接受NAT的乳腺癌患者的高維MRI圖像特征和臨床信息，以用于乳腺癌pCR的治療前預測，得出結合臨床信息、T1加權圖像及T2加權圖像的多模態融合方法是預處理pCR預測的最佳方法這一結果（AUC為0.888），預測效能優于僅使用臨床信息的模型（AUC為0.827，P<0.05）。該模型首創性使用了覆蓋腋窩和胸壁的3D-CNN模型，并從3D-雙側整體MRI圖像中提取特征，使其包含了病變外部的信息。模型預測效果也證實了比以往研究中采用的裁剪MRI圖像訓練模型具有更好的性能，考慮原因可能是由于包含了腋窩及胸壁，增加了數據提取。其次，使用該模型過程中不需要人工或自動分割腫瘤區域進行數據提取，較大程度避免了誤差。最后，該模型測試納入的病例數是截止目前為止乳腺MRI影像pCR預測模型中最大的隊列，研究結果有一定可信度。但該研究也有一明顯局限性，由于多模態融合和3D-MRI圖像特征提取的模型架構較為復雜，如何從DL模型效果中提取輸出特征來對pCR進行分類，這是一大難題。因此后期需要更多的研究來支持提高該模型臨床意義的普遍性及通用性。
綜上，基于AI和影像組學的乳腺MRI模型可在NAT早期進行pCR預測，為NAT療效評估提供重要的預測信息。這有助于最大程度地減少無效治療帶來的毒副作用，避免造成對于不適合繼續NAT治療患者的手術延誤。此外，這也將有助于提前應用新型靶向治療，從而改善臨床管理水平。
4 總結不足
AI技術能夠挖掘乳腺腫瘤影像的異質特征，可以實現個體化精準醫療，在乳腺癌臨床診斷和綜合治療中作用潛力巨大[31]。目前，已有多項研究表明AI在乳腺癌NAT預測中已有較多進展[8, 32]，但就目前國內外的相關文獻，尚缺乏多中心大樣本的訓練集及獨立的外部測試集，所以仍需要繼續后續補充大量數據訓練以提高模型的預測效能；而且DL模型的算法解釋的可信性及醫療同行的認可性還有待進一步的提高；另外，模型的臨床轉化及實際應用的難度依然較大[33]。
就超聲而言，DL模型常使用二維橫切面圖像進行預測，不能完全代表病變，基于三維超聲數據和多視圖超聲電影剪輯有可能提高模型的診斷準確性。此外，開發基于多模態圖像DL模型，比如超聲多普勒成像、動態對比增強超聲檢查和剪切波彈性成像，也可以提供相互補充的信息，提高DL模型的診斷準確性[34]。
在現有的文獻中，利用MRI數據的AI分析預測乳腺癌pCR的文獻中應用方法很多，比如支持向量機、隨機森林、決策樹、極端梯度提升、增強樹、貝葉斯方法等[35-37]。所使用提取的圖像特征如腫瘤體積、直徑和影像組學特征，這些特征通常需要影像科醫師來勾畫腫瘤輪廓和（或）識別特征來訓練AI算法。相比之下，側重于整個乳腺MRI圖像的DL方法預測pCR模型研究和綜述數量很少，因此DL在預測pCR方面的潛力尚未充分實現。
另外，影像學檢查作為重要手段，在進行課題研究及模型設計時，除了缺乏多中心大樣本數據外，學習及訓練的圖像質量易受人工、機器及參數的影響，比如人員操作熟練程度、乳腺組織密度、腫塊邊緣強化、背景實質及瘤周水腫等[38]。所以為提高準確性，影像診斷醫師及臨床醫師應加強對圖像的采集標準及規范識別。
5 展望
應用先進的AI技術進行乳房腫瘤圖像研究雖然開始不久，但在乳腺癌NAT這一重要領域的研究日益增多，逐漸豐富，未來有望取得更快的進展。
雖然基于AI的應用還沒有完全準備好融入臨床實踐，但現階段也可以合理地預期AI結合影像學檢查將會為乳腺癌患者治療提供更好的監測。迄今為止，鉬靶、超聲及MRI在乳腺癌NAT診療方面與AI合作關系越來越緊密，且各研究發展迅速[39]。相信隨著AI技術及臨床診療指南的時常更新與進步，影像科醫師對乳腺腫瘤圖像的判讀將實現更高的準確率及效率，協助臨床醫師的診療，惠及廣大乳腺癌患者。
重要聲明
利益沖突聲明：本文全體作者閱讀并理解了《中國普外基礎與臨床雜志》的政策聲明，我們沒有相互競爭的利益。
作者貢獻聲明：張靜文查閱文獻并撰寫論文；張懿敏對論文撰寫和修改給予指導；孫圣榮對選題和論文修改給予指導。
乳腺癌新輔助治療（neoadjuvant therapy，NAT）可以縮小乳腺腫瘤體積、降低腫瘤分期，為臨床診療提供早期療效評估和藥物敏感信息，從而指導后續治療[1]。由于腫瘤的異質性，乳腺癌NAT的預期與最終結果可能存在較大差異[2]。有研究表明，接受NAT后獲得病理完全緩解（pathologic complete response，pCR）的乳腺癌患者總生存率及無病生存率均高于未獲得pCR的患者[3]，所以需要盡早且盡可能全面準確評估NAT療效[4]。
現階段主要的評估檢查有鉬靶、超聲、磁共振成像（magnetic resonance imaging，MRI）等影像學檢查以及病理學檢查，病理學檢查雖為金標準，但有創傷且時間點為NAT完全結束后，NAT治療中途不便反復進行。鉬靶對微鈣化檢測較為敏感，但易受乳腺腺體扭曲及非對稱致密化影響從而容易導致漏診[5]。目前與人工智能（artificial intelligence，AI）相結合的鉬靶研究多為乳腺良惡性腫瘤分割、提高乳腺癌早期診斷敏感度、降低誤診率等診斷方面[6-8]。在乳腺癌NAT療效預測方面，研究更多的是超聲及MRI。筆者現就國內外各學者團隊在基于AI及影像組學下的乳腺癌NAT療效預測的各項研究展開綜述，比較超聲和磁共振成像這兩種影像學的代表設計模型，分析對比它們的優缺點，解釋AI及影像組學在該領域的新貢獻，為乳腺癌的臨床診治及療效評估提供參考。
1 AI及影像組學在乳腺腫瘤影像中的研究和應用現狀
自20世紀60年代開始，AI在乳腺圖像領域開始有了長足發展，通過處理來自不同成像模式的乳腺圖像數據，獲得輸出信息以輔助臨床醫生對于乳腺圖像的判斷及疾病的治療[9]。現階段，已有多篇相關文獻提出了不同AI學習方法及模型處理技術，目前主要有兩大方法，即傳統影像學組學方法和AI中的深度學習（deeping learning，DL）方法[10]。傳統影像學組方法，是指從醫學影像中提取大量的圖像特征，應用計算機輔助診斷技術來體現腫瘤異質性，以輔助臨床醫師的診治。影像組學這一概念最早由荷蘭學者Lambin等[11]于2012年提出，大概流程為：收集處理高質量的圖像、勾畫感興趣區域、分割圖像及重建、提取定量特征和建立預測模型。深度學習方法，是AI中機器學習（machine learning，ML）中更凝聚更深一層的算法[12]，其中卷積神經網絡（convolutional neural networks，CNN）是DL最常用的學習算法，由一系列的輸入層、卷積層、池化層及全連接層組成[13]，其經典CNN分別為AlexNet、VGG及GoogleNet。 AlexNet是由Alex團隊在 2012 年提出，是首個真正意義上的CNN，它使得學習數據集特征更高效且提高了圖像分類的精度[14]。VGG是2014年由Oxford的Visual Geometry Group組提出，網絡結構簡潔，性能有較大提升，但耗費計算資源且參數使用多，內存大[15]。GoogleNet是2014年由Google推出的基于Inception模塊的CNN，該網絡與其余CNN相比不僅有深度，還在橫向上具有“寬度” [16]。以上兩種主要方法在乳腺腫瘤的檢測、診斷、分子分型、療效預測及預后方面均有運用，但差別則在于提取影像學特征時是否需要預先定義特征。由于DL不需要預先定義特征，表現出了更高的預測性能。
在現階段的乳腺腫瘤臨床診療中，腫瘤的影像學信息大多未得到充分利用，仍需要借助各種工具進行深度挖掘，為乳腺腫瘤診斷、治療效果評估和預測NAT療效提供新的線索[17]。AI技術的進步為深入分析乳腺腫瘤影像圖像帶來了新的機遇。
2 結合AI及影像組學的超聲預測pCR模型是國內外研究熱點
超聲成像簡單、無輻射且動態實時，是監測乳腺癌NAT周期療效最重要的評估方法之一[18]，基于AI的超聲監測模型也是國內外團隊的研究熱點。
Byra團隊[19]2020年提出了暹羅CNN（Siamese CNN，Siamese CNN）模型，其目的是評估NAT引起的腫塊形狀變化是否可以用來區分治療反應者，即用來評估NAT療效。這是第一個基于DL和形態學特征預測超聲圖像下的乳腺癌對NAT反應的研究，該研究納入30例患有39種乳腺腫瘤患者，收集患者接受第1次NAT和第2次NAT之前和之后1周內采集的共計156張超聲圖像，模型使用ImageNet數據集進行預培訓并利用雙遷移學習微調，建立logistic回歸預測模型，通過比較NAT之前和之后收集的腫瘤超聲圖像繪制受試者工作特征曲線（receiver operating characteristic curve，ROC），并計算曲線下面積（area under the curve，AUC）來預測NAT反應。結果為接受第2次NAT后的Siamese模型AUC值為0.847，并經過雙遷移學習微調和未經雙遷移學習微調開發的模型之間AUC值沒有明顯差異。該研究展示了利用超聲圖像，使用DL方法早期預測乳腺癌NAT反應的可行性。該Siamese模型可以直接比較NAT不同階段收集的超聲圖像，不僅可以了解腫瘤的外觀，還可以了解腫瘤周圍的組織，為以后加深了解腫瘤后方陰影和脂肪組織相關的超聲圖像特征相關性提供了思路。其次，該影像學模型的方法是通用的，也可以考慮使用MRI等其余影像學圖像來評估NAT反應。
國內學者Liu教授團隊[20]2022年同樣開發了一種基于DL的暹羅多任務網絡（Siamese multi-task network，SMTN）模型，該研究多中心收集了393例人類表皮生長因子受體2（human epidermal growth factor receptor 2，HER2）陽性乳腺癌患者在接受第1次NAT前后及第2次NAT前后的超聲圖像信息，設計模型把腫瘤分割和pCR預測進行結合，以用來預測HER2陽性乳腺癌的早期治療反應，即SMTN模型由腫瘤分割網絡和pCR預測網絡組成。患者分為訓練集（215例）和兩個外部隊列即測試集1（93例）和測試集2（83例）。結果顯示該模型的AUC訓練集為0.986 ［95%CI為（0.977，0.995）］，測試集1為0.902 ［95%CI為（0.856，0.948）］，測試集2為0.957 ［95%CI為（0.924，0.990）］，證明了基于DL的SMTN模型在評估NAT治療反應方面表現出了優越的性能；此外，SMTN模型不受激素受體分子亞型和抗HER2 治療方案的影響，故此模型精確而穩健，除了預測 HER2陽性乳腺癌的早期治療反應外，還可以幫助臨床醫生早期調整非pCR患者的治療方案，從而提高pCR率并避免毒性反應。
綜上，基于AI的乳腺癌NAT超聲圖像預測模型總體上預測性能較好，在一定程度上減輕影像科醫師的負擔，輔助臨床醫師更好地監測評估乳癌患者NAT療效。各模型優勢側重不同，相似的不足點則是模型仍需后期補充數據進一步驗證。
另外，與Byra團隊同時期的Jiang團隊[21]的模型設計在基于DL的基礎上，還增加了影像組學的內容。該研究納入對象為局部晚期乳腺癌患者，分為學習集356例，測試集236例；研究提取接受NAT之前和之后的基于DL的影像組學特征，并和獨立的臨床病理學危險因素進行模型構建，開發DL影像組學列線圖（deep learning radiomic nomogram，DLRN）模型，結果顯示DLRN模型準確預測了pCR狀態，在測試集中AUC高達0.94 ［95%CI為（0.91，0.97）］，顯示出良好的校準，且與臨床模型和人工影像組學模型比較差異均有統計學意義（P<0.05）。DLRN模型體現出對接受NAT的局部晚期乳腺癌的良好pCR預測價值，可為個體治療提供有價值的信息。但該回顧性研究的局限性不容忽視，因為超聲機器品牌及使用的探頭頻率范圍設置不統一，提取的影像組學數據可能存在一定差異，所以很難判定是否對模型預測性能有影響。
3 基于AI及影像組學的MRI在NAT療效評估中的研究深入且豐富
MRI是廣泛運用于乳腺腫瘤圖像領域的醫學影像技術，利用磁場和無線電波生成具有高分辨率的乳腺內部結構及腫瘤顯示圖像[22]，在協助外科醫生進行乳腺癌術前分期和評估NAT療效方面相較其他影像學檢查具有明顯優勢[23]。有研究[22, 24-25]表明，在評估腫瘤殘留和NAT療效方面，MRI是最準確和最有效的方法之一。但由于腫瘤異質性，僅依靠MRI形態學變化來評估NAT療效還不夠，不能直接決定臨床決策[26]。目前，基于AI及影像組學的MRI預測pCR模型研究正在迅速發展。
Cain團隊[27]2018年設計一種多變量DL模型來預測pCR率，該研究納入接受NAT的288例患者，從接受NAT之前的MRI圖像中提取了529個影像組學特征來構建模型，均分成相等的訓練集及測試集，分別預測患者的pCR及三陰性（triple-negative，TN）或HER2陽性（TN/HER2+） NAT患者的pCR。結果顯示TN/HER2+ 患者接受NAT治療后，預測pCR的AUC為0.707 ［95%CI為（0.582，0.833），P<0.002］。該研究證實了基于治療前MRI特征的多變量DL模型能夠預測TN/HER2+患者的pCR。
同樣， Sutton團隊[28]將MRI影像組學及分子亞型進行結合設計預測模型，并準確預測了利用MRI的pCR率（AUC為0.88）。該研究納入278例乳腺惡性腫瘤患者，收集NAT之前及之后的乳腺MRI圖像和手術病理報告，其中訓練集222例，測試集56例。設計僅使用影像組學的模型1和影像組學與分子亞型相結合的模型2，結果顯示僅使用影像組學的模型1在訓練集及測試集的AUC分別為0.80 ［95%CI為（0.72，0.87）］ 和0.78 ［95%CI為（0.62，0.94）］； 影像組學與分子亞型相結合的模型2在訓練集及測試集的AUC分別為0.72 ［95%CI為（0.64，0.79）］ 和0.83 ［95%CI為（0.71，0.94）］，且區間差異均無統計學意義（P1=0.1、P2=0.9）。該研究結果體現了基于MRI圖像的非侵入性影像組學模型可高精度和可重復性評估NAT后的pCR，也可促進NAT后 MRI報告的標準化。當然，該研究的局限性也需注意，在相同乳腺癌分子亞型中，NAT反應也會有所不同，這通常是由于基因組內和腫瘤間的異質性所造成的。因此，后續深入研究時需要注意擴大同類型分子亞型的數據集。
El Adoui團隊[29]2020年提出了一種新的DL模型，通過CNN對MRI進行計算分析，以多個MRI數據輸入來預測乳腺癌NAT反應，該模型在區分有反應和無反應患者方面表現出良好的效能。 該研究收集42例接受NAT治療的乳腺癌患者的723幀MRI軸向切片為模型訓練集，然后使用14例外部病例來驗證該模型在NAT之前和之后的pCR預測效能，并作ROC曲線圖比較AUC。結果顯示該模型在測試集中的AUC高達0.91，有著最佳的預測準確性。但模型存在一些明顯的局限性，比如病例數較少，其次需要專業人員對MRI數據進行預處理，即使用軟件來裁剪MRI影像下腫瘤體積并應用3D配準來對齊相應的切片，數據復現有一定難度。同年，使用基于MRI數據預處理設計預測模型的還有Joo團隊[30]，也提出了一種DL模型，該模型納入了536例接受NAT的乳腺癌患者的高維MRI圖像特征和臨床信息，以用于乳腺癌pCR的治療前預測，得出結合臨床信息、T1加權圖像及T2加權圖像的多模態融合方法是預處理pCR預測的最佳方法這一結果（AUC為0.888），預測效能優于僅使用臨床信息的模型（AUC為0.827，P<0.05）。該模型首創性使用了覆蓋腋窩和胸壁的3D-CNN模型，并從3D-雙側整體MRI圖像中提取特征，使其包含了病變外部的信息。模型預測效果也證實了比以往研究中采用的裁剪MRI圖像訓練模型具有更好的性能，考慮原因可能是由于包含了腋窩及胸壁，增加了數據提取。其次，使用該模型過程中不需要人工或自動分割腫瘤區域進行數據提取，較大程度避免了誤差。最后，該模型測試納入的病例數是截止目前為止乳腺MRI影像pCR預測模型中最大的隊列，研究結果有一定可信度。但該研究也有一明顯局限性，由于多模態融合和3D-MRI圖像特征提取的模型架構較為復雜，如何從DL模型效果中提取輸出特征來對pCR進行分類，這是一大難題。因此后期需要更多的研究來支持提高該模型臨床意義的普遍性及通用性。
綜上，基于AI和影像組學的乳腺MRI模型可在NAT早期進行pCR預測，為NAT療效評估提供重要的預測信息。這有助于最大程度地減少無效治療帶來的毒副作用，避免造成對于不適合繼續NAT治療患者的手術延誤。此外，這也將有助于提前應用新型靶向治療，從而改善臨床管理水平。
4 總結不足
AI技術能夠挖掘乳腺腫瘤影像的異質特征，可以實現個體化精準醫療，在乳腺癌臨床診斷和綜合治療中作用潛力巨大[31]。目前，已有多項研究表明AI在乳腺癌NAT預測中已有較多進展[8, 32]，但就目前國內外的相關文獻，尚缺乏多中心大樣本的訓練集及獨立的外部測試集，所以仍需要繼續后續補充大量數據訓練以提高模型的預測效能；而且DL模型的算法解釋的可信性及醫療同行的認可性還有待進一步的提高；另外，模型的臨床轉化及實際應用的難度依然較大[33]。
就超聲而言，DL模型常使用二維橫切面圖像進行預測，不能完全代表病變，基于三維超聲數據和多視圖超聲電影剪輯有可能提高模型的診斷準確性。此外，開發基于多模態圖像DL模型，比如超聲多普勒成像、動態對比增強超聲檢查和剪切波彈性成像，也可以提供相互補充的信息，提高DL模型的診斷準確性[34]。
在現有的文獻中，利用MRI數據的AI分析預測乳腺癌pCR的文獻中應用方法很多，比如支持向量機、隨機森林、決策樹、極端梯度提升、增強樹、貝葉斯方法等[35-37]。所使用提取的圖像特征如腫瘤體積、直徑和影像組學特征，這些特征通常需要影像科醫師來勾畫腫瘤輪廓和（或）識別特征來訓練AI算法。相比之下，側重于整個乳腺MRI圖像的DL方法預測pCR模型研究和綜述數量很少，因此DL在預測pCR方面的潛力尚未充分實現。
另外，影像學檢查作為重要手段，在進行課題研究及模型設計時，除了缺乏多中心大樣本數據外，學習及訓練的圖像質量易受人工、機器及參數的影響，比如人員操作熟練程度、乳腺組織密度、腫塊邊緣強化、背景實質及瘤周水腫等[38]。所以為提高準確性，影像診斷醫師及臨床醫師應加強對圖像的采集標準及規范識別。
5 展望
應用先進的AI技術進行乳房腫瘤圖像研究雖然開始不久，但在乳腺癌NAT這一重要領域的研究日益增多，逐漸豐富，未來有望取得更快的進展。
雖然基于AI的應用還沒有完全準備好融入臨床實踐，但現階段也可以合理地預期AI結合影像學檢查將會為乳腺癌患者治療提供更好的監測。迄今為止，鉬靶、超聲及MRI在乳腺癌NAT診療方面與AI合作關系越來越緊密，且各研究發展迅速[39]。相信隨著AI技術及臨床診療指南的時常更新與進步，影像科醫師對乳腺腫瘤圖像的判讀將實現更高的準確率及效率，協助臨床醫師的診療，惠及廣大乳腺癌患者。
重要聲明
利益沖突聲明：本文全體作者閱讀并理解了《中國普外基礎與臨床雜志》的政策聲明，我們沒有相互競爭的利益。
作者貢獻聲明：張靜文查閱文獻并撰寫論文；張懿敏對論文撰寫和修改給予指導；孫圣榮對選題和論文修改給予指導。