周油伽,羅文婷,吳溥楨,蔡立楷,鄔龍?jiān)?熊麗霞

(1.南昌大學(xué) a.基礎(chǔ)醫(yī)學(xué)院,南昌 330006; b.第二臨床醫(yī)學(xué)院,南昌 330031;2.北京工業(yè)大學(xué)都柏林國際學(xué)院,北京 100124)

乳腺癌已取代肺癌,成為世界上發(fā)病率最高的癌癥[1]。乳腺癌是女性因癌癥導(dǎo)致死亡的常見原因之一,在女性癌癥病例中約占四分之一,在女性癌癥死亡病例中約占六分之一[1]。乳腺癌的治療通常包括手術(shù)切除、藥物治療、放射治療、免疫治療等。根據(jù)受體類型的不同,乳腺癌主要有三種亞型,而不同亞型的預(yù)后及治療方案也有所差異,如何準(zhǔn)確判斷乳腺癌亞型等相關(guān)臨床情況,是實(shí)現(xiàn)精準(zhǔn)治療的一道門檻[2]。而在乳腺癌的診療中,往往需要運(yùn)用影像學(xué)、顯微技術(shù)、分子診斷等方法,實(shí)現(xiàn)圖像的精細(xì)分割、微觀結(jié)構(gòu)的細(xì)致辨別、分子表型的準(zhǔn)確判斷等,它們的發(fā)展為乳腺癌的精準(zhǔn)治療提供了前進(jìn)動(dòng)力。人工智能(artificial intelligence,AI)是指計(jì)算機(jī)學(xué)習(xí)并模擬人類的分析、決策、判斷等智能行為。機(jī)器學(xué)習(xí)(mental learning,ML)也稱為深度學(xué)習(xí)(deep learning,DL)通過構(gòu)建特殊算法,進(jìn)行數(shù)據(jù)挖掘、學(xué)習(xí)與分析,進(jìn)而不斷優(yōu)化改善自身的性能[3]。新型AI技術(shù)、海量計(jì)算機(jī)處理能力、一般數(shù)據(jù)采集和數(shù)據(jù)存儲(chǔ)的廣泛增長促進(jìn)了科學(xué)和健康領(lǐng)域的融合。在癌癥領(lǐng)域,AI已被廣泛運(yùn)用于醫(yī)學(xué)圖像處理領(lǐng)域,如腫瘤分割、良惡性分化、疾病檢測(cè)等方面,研究者們也正在不斷開發(fā)評(píng)估用于疾病檢測(cè)、臨床決策的AI系統(tǒng)[4]。AI技術(shù)的進(jìn)步不僅可以提高實(shí)際臨床工作中乳房成像效率、提高乳腺癌檢測(cè)準(zhǔn)確率,還可以指導(dǎo)乳腺癌篩查和預(yù)防策略等[5]。本文系統(tǒng)地闡述近年AI在乳腺癌影像學(xué)、病理診斷與治療決策等方面的應(yīng)用、潛力及其存在的局限性,并提出對(duì)該領(lǐng)域的展望。

1 AI與乳腺癌影像學(xué)

1.1 AI在乳腺X線攝影中的應(yīng)用

乳腺X線攝影指的是從X線球管發(fā)射出的X射線照射在乳腺組織上所形成的圖像。在早期乳腺癌的檢測(cè)、診斷、篩查等方面,乳腺X線攝影是主流的成像方式,發(fā)揮著關(guān)鍵作用[6]。在過去幾年中,主要由DL和卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)驅(qū)動(dòng)的AI革命遍及乳腺X線攝影領(lǐng)域[7]。

AI革命為提高影像科醫(yī)生閱片的效率和準(zhǔn)確性帶來了新的可能與希望。MCKINNEY等[8]評(píng)估了一種用于篩查乳腺X線攝影的AI系統(tǒng)在臨床實(shí)際應(yīng)用中的表現(xiàn)。研究者們?cè)u(píng)估后發(fā)現(xiàn):來自美國和英國數(shù)據(jù)集(數(shù)據(jù)來源Northwestern Medicine)中假陽性率分別減少了5.7%和1.2%,假陰性率分別減少了9.4%和2.7%。

當(dāng)乳腺X線攝影圖像模糊時(shí),召回率會(huì)大大增加,癌癥檢測(cè)分類的準(zhǔn)確性也會(huì)大大降低。如表1所示。ALFIFI等[9]分別使用傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)(traditional convolutional neural network,TCNN)和支持卷積神經(jīng)網(wǎng)絡(luò)(supported convolutional neural network,SCNN)的方法,克服乳腺X線攝影中移位和縮放導(dǎo)致的圖像模糊,使乳腺癌診斷準(zhǔn)確率分別達(dá)到95%和92%。此外,研究者們?cè)诖嘶A(chǔ)上結(jié)合翻轉(zhuǎn)旋轉(zhuǎn)的方法(flipped rotation-based approach,FRbA),考慮不同角度和方向的圖像所提供的信息,發(fā)現(xiàn)其能夠有效提高癌癥分類診斷的準(zhǔn)確性。

表1 AI在乳腺癌診斷中的應(yīng)用

在乳腺X線攝影圖像中區(qū)分病例的良惡性面臨著挑戰(zhàn),然而,AI算法強(qiáng)大的信息分析處理能力,在一定程度上能夠提高良、惡性診斷的準(zhǔn)確率[10]。ISMAEL等[11]利用深度特征提取、預(yù)訓(xùn)練CNN微調(diào)、已開發(fā)CNN模型訓(xùn)練等方法,對(duì)正常和惡性乳腺X線圖像進(jìn)行學(xué)習(xí)分類,發(fā)現(xiàn)乳腺癌診斷準(zhǔn)確率可達(dá)94.7%。LIN等[6]發(fā)現(xiàn)一種自動(dòng)化DL管道——對(duì)乳腺X線圖像分類的同時(shí)標(biāo)注特定鈣化區(qū)域,用于乳腺癌微鈣化的檢測(cè)和分類。經(jīng)訓(xùn)練后結(jié)果表明:在區(qū)分良、惡性方面,該自動(dòng)化DL管道的準(zhǔn)確率可以達(dá)到81.24%。

1.2 AI在乳腺超聲中的應(yīng)用

在評(píng)估乳房異常方面,乳腺超聲和乳腺X線攝影被認(rèn)為是極其有效的診斷工具。臨床實(shí)踐中大部分未被觸及的乳房腫塊,以及腫塊穿刺過程中針尖的位置,都可以采用乳腺超聲的方法檢測(cè)觀察[12]?；贏I的乳腺超聲成像在乳腺癌的診斷準(zhǔn)確性等方面有著巨大潛力。

2022年,AYANA等[13]將多階段遷移學(xué)習(xí)(multistage transfer learning,MSTL)算法和CNN模型運(yùn)用于乳腺超聲檢查。研究者們納入20 400張癌細(xì)胞圖像用于模型的預(yù)訓(xùn)練,并采用了200張來自Mendeley數(shù)據(jù)集和400張來自MT-Small-Dataset數(shù)據(jù)集的超聲圖像用于模型的模擬測(cè)試,結(jié)果顯示,Mendeley模擬測(cè)試的準(zhǔn)確率為(99.000±0.612)%,MT-Small-Dataset模擬測(cè)試的準(zhǔn)確度為(98.7±1.1)%。

2022年,O’CONNELL等[14]評(píng)估了一個(gè)幫助影像醫(yī)生診斷乳腺癌的AI程序性能。該項(xiàng)研究納入了299名患者的乳腺超聲圖像,這些圖像在前期經(jīng)過10名專業(yè)影像醫(yī)生的審查,確保最終疾病的診斷不受其他因素干擾。將影像醫(yī)生的診斷結(jié)果與AI程序的計(jì)算結(jié)果相比較后發(fā)現(xiàn):AI程序在診斷乳腺病變的準(zhǔn)確性、敏感性、特異性上可與10位專業(yè)影像醫(yī)生相媲美。

1.3 AI在乳腺CT中的應(yīng)用

盡管乳腺X線攝影被用作篩查乳腺癌的首選工具,但受其特異性的限制,在某些情況下需要使用進(jìn)一步的成像工具,計(jì)算機(jī)斷層掃描(computed tomography,CT)、正電子發(fā)射斷層掃描(positron emission tomography-computed tomography,PET/CT)等分子成像方式在乳腺癌的治療和復(fù)發(fā)反應(yīng)等方面具有較大優(yōu)勢(shì)[15]。

骨轉(zhuǎn)移是乳腺癌患者常見的轉(zhuǎn)移進(jìn)程之一,高達(dá)75%的Ⅳ期乳腺癌患者會(huì)發(fā)生骨轉(zhuǎn)移。MOREAU等[16]基于U-Net開發(fā)了一種分割乳腺癌PET/CT圖像中骨和骨骼轉(zhuǎn)移灶的CNN學(xué)習(xí)模式。這種模式可以通過骨骼以及骨骼病變程度計(jì)算骨骼掃描指數(shù)(bone scan index,BSI)下的PET骨骼指數(shù)(PET bone index,PBI)。經(jīng)實(shí)驗(yàn)驗(yàn)證后表明:這種CNN學(xué)習(xí)模式計(jì)算的PBI與放射科醫(yī)生計(jì)算結(jié)果幾乎一致,它不僅提高了乳腺癌骨轉(zhuǎn)移病灶檢測(cè)診斷的精確度,病灶的分割也更加精細(xì)化,并提高了分割病灶的Dice評(píng)分。

AI與PET/CT的結(jié)合有助于放射科醫(yī)生未來的診斷工作,減少漏診誤診的產(chǎn)生。TAKAHASHI等[17]觀察到多度PET最大強(qiáng)度投影DL模型有助于提高乳腺癌診斷準(zhǔn)確性。經(jīng)研究者們統(tǒng)計(jì)分析后發(fā)現(xiàn):放射科醫(yī)生的敏感性、DL0度模型敏感性、DL4度模型敏感性分別為80%～98%、82%、96%;特異性分別為76%～92%、80%、88%。由此可見,DL4度模型具有與放射科醫(yī)生相同甚至更好的診斷性能。

乳腺組織密度較高的女性患乳腺癌的風(fēng)險(xiǎn)可能會(huì)增加2到6倍,但乳腺組織密度在臨床檢查中很難確定[18]。有學(xué)者[19]將深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolutional neural network,dCNN)運(yùn)用于螺旋乳房CT中,旨在研究dCNN對(duì)乳腺實(shí)質(zhì)密度準(zhǔn)確分類的潛力。與放射科醫(yī)生讀數(shù)相比,dCNN分類準(zhǔn)確性很高(85.8%),表現(xiàn)出非常好的性能(AUC為0.89),并具有不同放射科醫(yī)生閱片的一致性。因此,研究者認(rèn)為將所提出的dCNN實(shí)施到臨床工作流程中,不僅可以減少不同放射科醫(yī)生對(duì)于閱讀同一乳腺組織密度圖像的差異性,還可以更準(zhǔn)確計(jì)算不同患者患乳腺癌的風(fēng)險(xiǎn)。

1.4 AI在乳腺M(fèi)RI中的應(yīng)用

乳腺X線攝影對(duì)乳腺組織致密的女性來說,其敏感性會(huì)有所降低。而磁共振成像(magnetic resonance imaging,MRI)不受乳腺組織密度的影響,且對(duì)乳腺癌的檢出靈敏度更高,目前已被廣泛應(yīng)用于臨床實(shí)踐[20]。

AI在乳腺M(fèi)RI中表現(xiàn)出高性能的癌癥檢測(cè)以及病變?cè)\斷的能力,并有助于放射科醫(yī)生的診斷。ZHANG等[21]將卷積長短期記憶(convolutional long short-term memory,CLSTM)與遷移學(xué)習(xí)(transfer learning,TL)相結(jié)合,開發(fā)了一個(gè)用于MRI診斷乳腺癌的AI模型。在數(shù)據(jù)集的訓(xùn)練模擬中發(fā)現(xiàn),該模型評(píng)估的平均準(zhǔn)確度為91%,結(jié)合TL可將乳腺癌分類的準(zhǔn)確率提高30%以上。ESKREIS WINKLER等[22]將DL方法運(yùn)用于乳腺M(fèi)RI圖像中,研究DL是否可以識(shí)別含有腫瘤的軸向切片。驗(yàn)證后結(jié)果顯示:DL方法通過識(shí)別軸向切片檢測(cè)腫瘤的準(zhǔn)確率達(dá)到92.8%[648/706;95%CI:(89.7%,93.8%)],敏感性為89.5%,特異性為94.3%。

在過去的幾年里,ML為進(jìn)一步探索乳腺癌分子亞型的圖像標(biāo)記提供了一種流行的方法。SUN等[23]開發(fā)了一個(gè)集成CNN模型,旨在區(qū)分乳腺癌亞型(管腔和非管腔)。經(jīng)測(cè)試驗(yàn)證后結(jié)果表明:該模型預(yù)測(cè)管腔與非管腔型乳腺癌的準(zhǔn)確度為0.852,精度為0.961,特異性為0.958,AUC為0.867,表現(xiàn)出高度的可靠性和穩(wěn)定性。研究者認(rèn)為在乳腺癌亞型的識(shí)別方面,該模型顯示出良好的應(yīng)用價(jià)值和可擴(kuò)展性。

AI在乳腺癌影像學(xué)方面的應(yīng)用日新月異。毋庸置疑,在圖像分析方面,AI會(huì)比影像科醫(yī)生更有效率,AI可以在短時(shí)間內(nèi)處理數(shù)百萬張乳腺圖像,這是影像醫(yī)生無法做到的[24]。而AI憑借其強(qiáng)大的數(shù)據(jù)處理能力及其無限的發(fā)展?jié)摿Ω淖冎橄侔┯跋駥W(xué),AI也將成為其不可或缺的一部分,但AI并不能取代影像科醫(yī)生。從法律角度來看,AI的表現(xiàn)遠(yuǎn)非完美無缺,AI錯(cuò)誤決策和管理不善的處理方法仍有待商榷。同時(shí),AI系統(tǒng)依托于大量臨床數(shù)據(jù),如何提高數(shù)據(jù)的安全性、保護(hù)患者的隱私也是一個(gè)亟需解決的問題。影像科醫(yī)生本身具有不可替代性,他們不僅能夠給患者更多的人文關(guān)懷,而且能夠在多學(xué)科團(tuán)隊(duì)會(huì)議中花更多時(shí)間與臨床醫(yī)生共同商討,為患者診療以及后續(xù)的長期護(hù)理做出重大貢獻(xiàn)。

2 AI與乳腺癌病理診斷

治療乳腺癌之前通常需要對(duì)患者進(jìn)行活檢?；顧z是乳腺癌檢查的金標(biāo)準(zhǔn),不同于影像學(xué)檢查,乳腺組織活檢使病理學(xué)家能夠觀察組織的微觀結(jié)構(gòu)。然而,分析病理組織學(xué)圖像是一項(xiàng)耗時(shí)且具有挑戰(zhàn)性的任務(wù),AI的開發(fā)可以增強(qiáng)病理學(xué)家對(duì)病理圖像的分析能力,并幫助他們完成具有挑戰(zhàn)性的診斷任務(wù)。MERCAN等[25]利用ML方法對(duì)240例乳腺活檢組織進(jìn)行分類診斷。與病理學(xué)家的診斷結(jié)果相比,ML方法的敏感性和特異性不遜色于專業(yè)的病理學(xué)家,且有望運(yùn)用于更具有挑戰(zhàn)性的乳腺活檢樣本診斷中。ABDOLAHI等[26]設(shè)計(jì)了一種可以對(duì)浸潤性導(dǎo)管癌(invasive ductal carcinoma,IDC)進(jìn)行分類的CNN基線模型,在乳腺癌全幻燈片圖像的訓(xùn)練測(cè)試中發(fā)現(xiàn),相較于傳統(tǒng)病理診斷的方法,將CNN基線模型運(yùn)用于組織病理學(xué)圖像分析中,花相對(duì)少的時(shí)間即可實(shí)現(xiàn)IDC的分類診斷。MAHMOOD等[27]提出一種AI多階段的模型——利用更快區(qū)域CNN(faster region convolutional neural network,FasterR-CNN)和深度CNN對(duì)乳腺癌病理組織中處于有絲分裂階段的細(xì)胞進(jìn)行檢測(cè)。經(jīng)數(shù)據(jù)集模擬驗(yàn)證后結(jié)果顯示:該方法在ICPR2012的精度為0.876、召回率為0.841、F1-measure為0.858;在ICPR2014的精度為0.848、召回率為0.583、F1-measure為0.691,其準(zhǔn)確性和可靠性方面均優(yōu)于其他方法。

AI在乳腺癌病理學(xué)領(lǐng)域的應(yīng)用正在逐步增加,其表現(xiàn)可以與人類專家相媲美。AI不僅可以減少病理學(xué)家的工作量,還可以提高病理學(xué)家診斷的準(zhǔn)確性,甚至有可能代替一些昂貴的多基因檢測(cè)工具來預(yù)測(cè)乳腺癌。但是,目前AI在病理學(xué)上的局限性及其面臨的巨大挑戰(zhàn)也是不容忽視:其一是如何解釋和理解AI模型制定臨床決策的過程;其二是如何實(shí)現(xiàn)AI模型和醫(yī)療決策支持工具的泛化特性;其三是如何證明AI模型長期的穩(wěn)定性和安全性并讓病理學(xué)家使用它們。

3 AI與乳腺癌篩查和早期檢測(cè)

乳腺X線攝影因其圖像清晰度高、對(duì)比度好、層次豐富等優(yōu)點(diǎn)成為乳腺癌篩查中最簡便的方法之一[28],使用乳腺X線攝影篩查對(duì)乳腺癌進(jìn)行篩查和早期診斷可使乳腺癌患者死亡率降低20%～49%,但主要困境之一在于普及X線篩查乳腺癌的同時(shí),給影像科醫(yī)生帶來了大量的工作量,并且其中絕大多數(shù)結(jié)果為真陰性。隨著AI技術(shù)廣泛應(yīng)用于醫(yī)學(xué),部分技術(shù)及診斷問題得以有效解決[29]。

被認(rèn)為是乳腺癌篩查智能小助手的U-Net分割神經(jīng)網(wǎng)絡(luò)AI系統(tǒng),在確定乳腺癌形態(tài)、病灶外鈣化和腺內(nèi)淋巴結(jié)的準(zhǔn)確性方面并不比放射科醫(yī)生差[29]。DEMBROWER等[30]觀察到,在保證乳腺癌檢出準(zhǔn)確率、特異性、精確度的同時(shí),使用AI軟件檢測(cè)篩查乳腺癌,有效地減少了放射科醫(yī)生的工作量。BARI等[31]介紹了一種用于早期乳腺癌檢測(cè)的UWB系統(tǒng)。經(jīng)研究者們?cè)u(píng)估后可見,在該UWB系統(tǒng)檢測(cè)乳腺癌大小的性能效率約為92.43%;檢測(cè)乳腺癌位置的性能效率約為91.31%。GUO等[32]采用多層感知器神經(jīng)網(wǎng)絡(luò)(multilayer perceptron neural networks,MLP)的同質(zhì)集成方法對(duì)乳腺癌樣本進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明,與其他先進(jìn)的乳腺癌樣本分類方法相比較,該方法在乳腺癌數(shù)據(jù)集中的檢測(cè)率表現(xiàn)更好,約為98.79%。

在AI廣泛應(yīng)用于乳腺癌篩查領(lǐng)域的同時(shí),AI輔助疾病診斷仍存在著一些涉及社會(huì)倫理,法律、經(jīng)濟(jì)等方面的問題。其中包括AI在實(shí)際應(yīng)用中,社會(huì)倫理的關(guān)注及內(nèi)在影響;將癌癥篩查與決策委托給AI模型,造成非預(yù)期結(jié)果的責(zé)任歸屬方;普及AI模型進(jìn)行乳腺癌篩查帶來的經(jīng)濟(jì)負(fù)擔(dān)等。這些問題需要在開發(fā)乳腺癌篩查AI模型的早期階段進(jìn)行探討,為其遠(yuǎn)期發(fā)展夯實(shí)基礎(chǔ)[24]。

4 AI與乳腺癌預(yù)測(cè)模型

4.1 乳腺癌生存預(yù)測(cè)模型

擁有豐富經(jīng)驗(yàn)的專業(yè)醫(yī)療人員在預(yù)測(cè)、治療IDC等方面面臨著挑戰(zhàn)——從多個(gè)大型豐富的數(shù)據(jù)源獲取所需的相關(guān)信息對(duì)人類來說是一項(xiàng)復(fù)雜的工作。近年來,ML方法在癌癥生存分析中的使用頻率大幅度增加,這些方法在預(yù)測(cè)癌癥存活率方面優(yōu)于傳統(tǒng)方法。如表2所示。ARYA等[33]利用隨機(jī)森林(random forest,RF)分類方法構(gòu)建DL模型,旨在利用多模態(tài)數(shù)據(jù)發(fā)現(xiàn)信息特征,提高乳腺癌預(yù)測(cè)的準(zhǔn)確性。在數(shù)據(jù)集模擬測(cè)試中可見,相較其他現(xiàn)有方法,DL模型在乳腺癌患者的生存期估計(jì)中,其敏感值顯著提高。

表2 乳腺癌AI預(yù)測(cè)模型

4.2 乳腺癌藥物反應(yīng)預(yù)測(cè)模型

MALIK等[34]采用鄰域成分分析(neighborhood component analysis,NCA)神經(jīng)網(wǎng)絡(luò)框架,從TCGA和GDSC數(shù)據(jù)庫中檢索乳腺癌相關(guān)特征基因,用于開發(fā)乳腺癌患者的藥物反應(yīng)預(yù)測(cè)模型。相較于單組學(xué)和早期整合方法,研究者的藥物反應(yīng)預(yù)測(cè)模型性能更好——準(zhǔn)確率為94%,均方誤差為1.154,總體回歸值為0.92。

4.3 乳腺癌分期預(yù)測(cè)模型

與其他癌癥一樣,確定分期是治療乳腺癌的重要步驟,因此標(biāo)準(zhǔn)化的分期工具顯得尤為重要。SIDDIQUI等[35]提出了一種基于醫(yī)療物聯(lián)網(wǎng)(Internet of medical things,IoMT)的乳腺癌分期預(yù)測(cè)模型。經(jīng)數(shù)據(jù)集模擬訓(xùn)練后,該預(yù)測(cè)模型在驗(yàn)證階段的準(zhǔn)確率為97.81%,對(duì)小葉癌、導(dǎo)管癌、乳頭狀癌、黏液癌檢測(cè)準(zhǔn)確率分別為99.32%、99.69%、99.32%、98.96%。實(shí)驗(yàn)結(jié)果表明,IoMT云端預(yù)測(cè)模型對(duì)乳腺癌不同階段的智能預(yù)測(cè)表現(xiàn)出較高的準(zhǔn)確性。

4.4 乳腺癌風(fēng)險(xiǎn)預(yù)測(cè)模型

風(fēng)險(xiǎn)模型一直支持著風(fēng)險(xiǎn)調(diào)整后的篩查和預(yù)防,它的持續(xù)發(fā)展一直是乳腺癌研究的核心支柱。TAO等[36]通過開發(fā)多參數(shù)MRI ML列線圖模型來預(yù)測(cè)乳腺癌的風(fēng)險(xiǎn)。通過提取圖像的高通量特征,經(jīng)校準(zhǔn)曲線和決策曲線進(jìn)行驗(yàn)證得出該模型AUC為0.90。MAGHSOUDI等[37]將人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)與放射組學(xué)相結(jié)合,構(gòu)建了用于乳腺癌風(fēng)險(xiǎn)評(píng)估的Deep-LIBRA模型。 研究者們從賓夕法尼亞大學(xué)醫(yī)院及梅奧醫(yī)學(xué)中心獲取原始的乳腺FFDM圖像數(shù)據(jù),用于該模型的測(cè)試。為實(shí)現(xiàn)對(duì)乳房密度的精確評(píng)估,Deep-LIBRA模型首先利用2個(gè)二元分割U-Net,用于去除圖像中的背景及胸肌等干擾因素。進(jìn)一步,Deep-LIBRA進(jìn)行圖像乳房分割,并對(duì)分割后的乳房區(qū)域進(jìn)行乳房密度評(píng)估,基于乳房密度進(jìn)行乳腺癌的風(fēng)險(xiǎn)評(píng)估。測(cè)試結(jié)果顯示,二元分割U-Net更好地解決了輸入圖像中強(qiáng)度變化的問題,并消除了不可預(yù)測(cè)的偽影。此外,Deep-LIBRA與乳腺組織密度黃金標(biāo)準(zhǔn)評(píng)估值一致,相較于傳統(tǒng)的人工評(píng)估,該模型也具有更好的乳腺癌風(fēng)險(xiǎn)評(píng)估性能,AUC為0.612。

對(duì)現(xiàn)有數(shù)據(jù)的分析、識(shí)別為開發(fā)乳腺癌AI預(yù)測(cè)模型提供了獨(dú)特的可能性。但是,在乳腺癌AI預(yù)測(cè)模型發(fā)展過程中仍存在一些問題:其中一個(gè)主要的問題是開發(fā)的AI預(yù)測(cè)模型是否可以應(yīng)用于實(shí)際患者群體,不同亞型的乳腺癌可能具有不同的遺傳標(biāo)記,不同人群卒中危險(xiǎn)因素的分布也可能會(huì)影響AI模型在不同情況下的適用性。同時(shí),數(shù)據(jù)輸入的局限性,極大程度上也會(huì)影響AI模型預(yù)測(cè)結(jié)果的準(zhǔn)確性。此外,乳腺癌的各種危險(xiǎn)因素可能是相互依賴的,如何聯(lián)系宏觀圖像與微觀分子對(duì)乳腺癌風(fēng)險(xiǎn)進(jìn)行準(zhǔn)確評(píng)估也是有待考究的一個(gè)問題。

5 AI在乳腺癌其他方面的應(yīng)用

利用AI實(shí)現(xiàn)個(gè)性化的乳腺癌放射治療在節(jié)省時(shí)間、提高診療一致性、輻射劑量分布的自動(dòng)規(guī)劃等方面具有較大價(jià)值[38]?；贐PNN算法對(duì)超聲圖像分割在乳腺癌腋窩淋巴結(jié)轉(zhuǎn)移方面有較好的診斷效果[39]。ML與自動(dòng)分析納米基因組學(xué)相結(jié)合構(gòu)建的乳腺腫瘤亞型相關(guān)模型,給乳腺癌的診斷帶來了新的可能[40]。AI工具提供了一種方案來標(biāo)準(zhǔn)化乳腺癌免疫療法臨床實(shí)踐中的腫瘤浸潤免疫細(xì)胞評(píng)分[41]。將AI算法運(yùn)用于乳腺癌無病生存的預(yù)后評(píng)估可行性較好[42]。通過評(píng)估Ki-67LI來判斷乳腺癌惡性程度及患者預(yù)后時(shí),AI有較好的重復(fù)性,得出的真實(shí)值也更接近“金標(biāo)準(zhǔn)”,是評(píng)估Ki-67LI重復(fù)性的首選方法[43]。

6 總結(jié)與展望

AI在乳腺癌領(lǐng)域的運(yùn)用不論是從微觀的分子診斷,還是從宏觀的X線、CT、超聲等診斷,不論是從個(gè)性化的乳腺癌治療方式還是從群體的乳腺癌篩查、預(yù)測(cè)模型的構(gòu)建來看,都展現(xiàn)出其廣闊前景。AI不存在情緒問題、疲勞、文化和道德信仰。利用人類思維處理大量數(shù)據(jù)和可用信息的能力是極其有限的,通過AI做出最佳決策是幫助醫(yī)生快速診斷和探索致癌因素的絕佳工具。與此同時(shí),它存在的局限性和面臨的巨大挑戰(zhàn)接踵而來。數(shù)據(jù)庫的建立、來源、規(guī)模及安全性等;臨床實(shí)踐中的驗(yàn)收測(cè)試、質(zhì)量保證、實(shí)施和操作的有效性和安全性等;診斷治療決策中可能觸及有關(guān)患者人身生命和健康安全法律等問題都是AI在乳腺癌診斷及治療決策等未來道路上亟需解決的問題。但這些問題將在相關(guān)領(lǐng)域的研究者們對(duì)AI應(yīng)用于臨床疾病診療的進(jìn)一步研究中得到更加深入的討論。