乳腺癌是全球女性最常见的恶性肿瘤之一，也是女性癌症相关死亡的重要原因。全球乳腺癌发病率持续上升，2020年病例超过230万例，预计到2040年将新增约300万例。早期、准确地识别恶性乳腺病灶，对于改善患者预后至关重要。真实临床中，患者一般是在筛查或体检中发现乳腺结节，随后通过超声、钼靶、MRI等影像检查进行风险评估，再根据BI-RADS分类决定是否需要穿刺活检。其中BI-RADS 4类病灶提示恶性风险约为 2%–95%，通常建议进行穿刺活检。这一风险区间非常宽，临床上大量BI-RADS 4病灶最终被证实为良性，从而带来了疼痛、出血、感染、焦虑、医疗费用增加和过度诊疗等问题。 近日，上海科技大学及其他大学和医疗机构合作在杂志Nature Biomedical Engineering上发表了一篇题为“A deep learning system for non-invasive breast cancer diagnosis with multimodal data”的文章。文章提出了一个名为 BINDS的多模态乳腺癌无创诊断系统。该系统整合多视角超声、多视角钼靶、多序列MRI，支持灵活的模态组合，并采用两阶段诊断流程，实现乳腺病灶恶性风险评估和癌症亚型分类。在两阶段诊断流程中，BINDS在内部测试集中癌症风险评估AUROC达到0.973，外部测试集中达到0.941，并可帮助放射科医生减少良性病灶活检，最高可减少32.4%。
图片来源：Nature Biomedical Engineering 主要内容 两阶段诊断、多模态乳腺癌诊断系统BINDS概述 乳腺影像诊断具有高度互补性。超声、钼靶和MRI对致密乳腺、实体结节、微钙化以及非浸润性病变的敏感性上各有所长。临床上乳腺癌诊断不是依赖单一检查，通常先进行超声和钼靶等放射学检查，再根据结果进入MRI评估或病理活检流程。 BINDS的系统输入包括多视角超声、多视角钼靶、多序列MRI（图b）。模型输出包括癌症风险评估以及癌症亚型分类。它可以在训练和验证中支持灵活的模态组合，并采用两阶段诊断流程，使AI系统更接近真实临床工作流。BINDS在第一阶段使用超声和/或钼靶进行初步诊断，对应最常见的初诊流程。如果第一阶段输出足够明确，则直接给出风险判断；如果模型认为结果不确定，则进入第二阶段，再加入MRI进行更全面的多模态评估，避免把昂贵MRI用于所有初诊患者。
BINDS的临床工作流程概述。图片来源：Nature Biomedical Engineering BINDS的单模态性能表现 本研究构建了较大规模的多模态乳腺影像数据集。研究共纳入27048名参与者，数据来自中国8家医疗中心和7个公开数据集。不同中心之间数据结构差异很大，有些中心以超声为主，有些中心MRI比例高，有些外部亚型队列几乎全是恶性病例。这种异质性更接近真实世界多中心场景。 作者评估了BINDS在单一模态下的表现。结果显示，内部测试队列中，癌症风险评估AUROC分别为0.912（超声），0.913（钼靶），0.953（MRI）。外部测试队列1中，AUROC分别为0.876（超声），0.877（钼靶）和0.909（MRI）。结果说明，即使是单模态输入，BINDS在外部队列上仍保持较高性能。
BINDS在单模态输入下的性能表现。图片来源：Nature Biomedical Engineering BINDS多模态输入明显提升诊断性能，两阶段流程表现最好 作者评估了更接近临床路径的多模态输入。结果显示，在超声+钼靶的双模态中，癌症风险评估AUROC为0.932（内部测试队列）以及0.898（外部测试队列1）。在BINDS的两阶段诊断中，模型先用超声和/或钼靶判断，不确定时加入MRI。结果显示，癌症风险评估AUROC达到0.973（内部测试队列）以及0.941（外部测试队列1）。对于癌症亚型分类，两阶段流程也表现最好。内部测试队列AUROC达到0.861，外部测试队列2 AUROC达到0.790（如下图）。这说明，BINDS利用了不同模态之间的互补信息，改善了诊断性能。
BINDS 在多模态输入下的表现。图片来源：Nature Biomedical Engineering 不同模态在冲突场景中的贡献 临床上常见超声、钼靶和MRI意见不一致的场景。在内部测试队列中，超声和钼靶预测不一致的病例占17.2%。在这些病例中，双模态模型仍能正确预测84.4%。同样，双模态与三模态预测不一致的病例占8.7%，当加入MRI后，三模态模型在这些冲突病例中正确率为75.5%。作者分析了不同模态在冲突场景中的贡献。分析结果显示，当超声和钼靶冲突时，模型更依赖钼靶，而在三模态场景中，MRI贡献最大（图c）。
不同模态在冲突场景中的贡献。图片来源：Nature Biomedical Engineering Reader study结果表明，AI辅助能显著减少良性病灶活检 Reader study选择了内部测试队列中的208个BI-RADS 4病灶，其中104个良性、104个恶性，由放射科医生进行读片，判断良恶性，以及是否建议穿刺活检。结果显示，在单模态诊断中，BINDS表现与放射科医生大体相当；在双模态和三模态诊断中，BINDS优于初级医生。尤其在三模态诊断中，BINDS准确率为0.933，高于初级医生，并接近高级医生水平。 作者还进行了AI辅助的诊断研究，评估了AI对放射科医生工作表现的影响（如下表）。结果显示，加入AI预测和热图后，医生准确率普遍提高，同时良性病灶活检数量下降，而恶性病灶活检基本保持不变。在双模态诊断中，初级医生准确率从0.875提高到0.933，良性病灶活检减少22.6%；高级医生准确率从0.904 提高到0.927，良性活检减少17.4%。在三模态诊断中，初级医生准确率从0.894提高到0.942，良性活检减少22.5%；高级医生准确率从0.923提高到0.957，良性活检减少32.4%。与此同时，恶性病灶活检数基本维持在104例。这表明，AI辅助可在不降低恶性病灶检出前提下，减少低风险良性病灶的不必要穿刺。
reader study结果描述。图片来源：Nature Biomedical Engineering 作者提出了一个多模态乳腺癌AI诊断系统BINDS。它整合多视角超声、多视角钼靶、多序列MRI，采用两阶段诊断流程，先用超声和/或钼靶进行初筛，对不确定病例再加入MRI。这种设计比传统单模态AI更接近真实临床工作流。BINDS在癌症风险评估中表现突出。两阶段流程在内部测试集AUROC达到0.973，外部测试集达到0.941。在癌症亚型分类中，内部和外部AUROC分别为0.861和0.790。更重要的是，AI辅助医生诊断可显著减少良性病灶活检，最高减少32.4%，同时基本维持恶性病灶活检率。 但这项研究仍有局限性。首先，此研究是回顾性设计，其真正临床价值仍需前瞻性试验确认。其次，院内数据主要来自中国医疗中心，在不同国家、不同种族、不同设备品牌和不同筛查体系中的表现仍需验证。最后，当前模型没有加入Doppler等高级超声信息，这可能进一步提高初诊阶段性能，减少对MRI的依赖。总之，这篇文章交给AI一个更合理的定位，即帮助医生更精确判断哪些BI-RADS 4病灶更需要活检，在不牺牲恶性检出的前提下，减少一部分良性病灶的不必要活检。这对患者体验、医疗成本和乳腺影像工作流都有现实意义。 注：本文内容仅供行业动态参考，不构成任何投资建议或临床医疗决策依据。 |
/3 
浙公网安备33010802005999号 
