乳腺癌是全球最常見(jiàn)的癌癥之一，且是女性癌癥死亡的第一大原因。據統計，每年全球約有230萬(wàn)女性被診斷為乳腺癌，導致約68.5萬(wàn)人死亡，其中中國女性的乳腺癌發(fā)病率遠高于世界平均水平。因此，開(kāi)發(fā)基于疾病嚴重程度的乳腺癌風(fēng)險分層策略（如短期隨訪(fǎng)、長(cháng)期隨訪(fǎng)、活檢確認或及時(shí)手術(shù)）對于提高生活質(zhì)量、減少死亡率至關(guān)重要。
在亞洲女性群體中，乳腺組織致密度較高且乳腺癌呈現低齡化趨勢。超聲檢查因其便捷、無(wú)輻射、經(jīng)濟實(shí)惠等優(yōu)勢，成為我國乳腺癌篩查和診斷的首選手段。然而，超聲檢查在早期篩查中存在局限性，特別是對微小鈣化灶的檢出率不夠理想。為此，臨床實(shí)踐中逐漸形成了"鉬靶+超聲"的黃金檢查組合：常規體檢時(shí)可選擇其一，而在門(mén)診就醫時(shí)則根據具體情況靈活選用，對于病灶不明確的病例則需兩種方法聯(lián)合檢查。除影像學(xué)檢查外，臨床醫生還需綜合評估患者主訴、既往病史、觸診等多項臨床指標。這種診斷模式不僅流程繁瑣、信息龐雜，且診斷結果的準確性也難以保證。因此，運用人工智能技術(shù)實(shí)現精準分層診斷，已成為當前亟待解決的關(guān)鍵問(wèn)題。
2024年12月4日，上?？萍即髮W(xué)生物醫學(xué)工程學(xué)院錢(qián)學(xué)駿團隊在 Nature Biomedical Engineering 期刊發(fā)表了題為：A multimodal machine learning model for the stratification of breast cancer risk 的研究論文。
研究團隊基于臨床乳腺癌篩查與診斷的黃金標準（即多數情況下選擇超聲或鉬靶檢查，少數情況兩者兼用）并融入了患者主訴、病史等重要臨床指標，構建了結合傳統卷積神經(jīng)網(wǎng)絡(luò )與Transformer的混合深度學(xué)習框架，并創(chuàng )新的引入不同癌變風(fēng)險等級的乳腺疾病樹(shù)，實(shí)現了多層級乳腺癌風(fēng)險預測。結果顯示模型的預測能力超越了資深放射科醫生，初步達到了資深病理科醫生的水準，為更廣泛的乳腺癌篩查和診斷提供了新的技術(shù)途徑。
該研究是錢(qián)學(xué)駿教授團隊與安徽醫科大學(xué)第一附屬醫院裴靜主任團隊繼2021年在 Nature Biomedical Engineering 上發(fā)表的多模態(tài)超聲乳腺工作后的又一重要進(jìn)展。
再喝祥最新研究中，研究團隊開(kāi)發(fā)了一款專(zhuān)門(mén)面向乳腺癌風(fēng)險分層的多模態(tài)人工智能系統——BMU-Net模型（圖1）。該模型巧妙融合了卷積神經(jīng)網(wǎng)絡(luò )在特征提取方面的高效性，以及Transformer在高層特征融合與跨模態(tài)整合方面的卓越性能。通過(guò)在大規模鉬靶和超聲數據集上進(jìn)行遷移學(xué)習預訓練，再結合多模態(tài)匹配數據集進(jìn)行精細化調優(yōu)，顯著(zhù)提升了模型的通用性和復用價(jià)值。創(chuàng )新性地采用隨機掩碼訓練策略（圖2），使BMU-Net能夠靈活處理不同模態(tài)的輸入數據，有效應對臨床實(shí)踐中因患者隱私保護等原因導致的數據缺失問(wèn)題。
圖1：基于乳腺疾病樹(shù)構建的BMU-Net模型及多層級乳腺癌風(fēng)險評估策略
研究團隊利用5025名患者的19360張乳腺影像開(kāi)展模型開(kāi)發(fā)和測試工作。通過(guò)與資深放射科醫生在158例鉬靶檢查和146例超聲檢查中的診斷結果進(jìn)行對比，發(fā)現BMU-Net在腫瘤良惡性分類(lèi)方面與專(zhuān)家水平相當，在組織病理學(xué)分級診斷方面（根據癌變風(fēng)險設計的breast disease tree）超越了人類(lèi)專(zhuān)家的表現。
該研究還證實(shí)，臨床數據（尤其是年齡和體重指數）對乳腺癌風(fēng)險精準分級具有重要意義，這與現有的乳腺癌風(fēng)險因素研究相互印證。在包含187名患者的前瞻性多模態(tài)數據驗證中，BMU-Net取得了90.1%的準確率，已接近病理學(xué)家通過(guò)活檢切片分析獲得的92.7%的準確率。
BMU-Net的突出優(yōu)勢還體現在其開(kāi)發(fā)過(guò)程中特別關(guān)注了具有挑戰性的BI-RADS 4類(lèi)病例（癌癥可能性介于2%-95%之間）。尤其在處理BI-RADS 4a類(lèi)病例（癌癥可能性為2%-10%）這一診斷難度較大的不確定區間時(shí)，模型提供了極具價(jià)值的判斷依據。例如，通過(guò)將BI-RADS 4a降級為BI-RADS 3，可以幫助患者避免不必要的侵入性活檢。
圖2：在不同臨床測試環(huán)境下的BMU-Net的穩定性與準確性
總的來(lái)說(shuō)，結合臨床指標、鉬靶與超聲檢查的黃金組合，是公認最經(jīng)濟有效和可行的乳腺癌篩查與診斷選擇。研究團隊構建的BMU-Net模型，為臨床醫生提供了多層級的乳腺癌風(fēng)險評估工具，旨在改善患者生存質(zhì)量，具有重要的臨床和社會(huì )意義。
鑒于該研究取得的重要突破，Nature Biomedical Engineering 期刊同期發(fā)表了Research Briefing評述文章——Advancing breast cancer risk stratification using multimodal AI，總結和點(diǎn)評了該研究的發(fā)現和意義。
上?？萍即髮W(xué)錢(qián)學(xué)駿教授為論文通訊作者，安徽醫科大學(xué)第一附屬醫院裴靜主任、韓春光醫師為該論文共同第一作者。上?？萍即髮W(xué)沈定剛教授、安徽醫科大學(xué)第一附屬醫院鄭慧主任等為該研究提供了指導，上?？萍即髮W(xué)高性能計算共享服務(wù)平臺提供了平臺支持。該研究獲得了國家級高層次人才計劃青年項目、國家自然科學(xué)基金面上項目等的支持。
論文鏈接：https://www.nature.com/articles/s41551-024-01302-7
合作咨詢(xún)
肖女士
021-33392297
Kelly.Xiao@imsinoexpo.com
2006-2025 上海博華國際展覽有限公司版權所有（保留一切權利）
滬ICP備05034851號-57
