作者：王春艳，徐京瑶，李相生，空军军医大学空军特色医学中心医学影像科

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。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。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。

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，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。

1. 乳腺癌异质性的概念

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，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。

Nguyen等从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。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。

2. 乳腺癌异质性的AI 算法

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。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。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，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，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。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（neoadjuvantchemotherapy，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. 基于AI 的多模态MRI 在乳腺癌异质性评价的临床应用

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，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，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basallike4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-MRIT1WI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。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等提取多参数T2WI、扩散加权成像（DWI）和DCEMRI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。

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，因此准确预测腋窝淋巴结转移具有重要意义。

Zhang等利用集成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。

来源：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(02):210-214.