基于深度学习的乳腺癌新辅助化疗疗效影像预测研究综述

基于深度学习的乳腺癌新辅助化疗疗效影像预测研究综述乳腺癌是全球女性发病率最高的恶性肿瘤，2025年国际癌症研究机构（IARC）数据显示，全球年新发病例达260万例，其中约30%的局部进展期患者需接受新辅助化疗（NeoadjuvantChemotherapy,NAC）。NAC可缩小肿瘤体积、降低临床分期，为原本不可手术的患者创造根治性切除机会，同时能直接评估肿瘤对化疗药物的敏感性，为后续个体化治疗方案制定提供依据。然而临床实践中，约20%-40%的乳腺癌患者对NAC不敏感，不仅会错失最佳治疗时机，还可能承担不必要的化疗毒副作用，因此治疗前精准预测NAC疗效具有重要的临床价值。医学影像作为乳腺癌诊疗过程中的常规检查手段，能够无创地反映肿瘤的形态、功能及异质性特征，是NAC疗效预测的重要数据来源。传统影像组学方法依赖人工设计的特征提取器，需先对肿瘤区域进行手动分割，再提取灰度、纹理、形状等定量特征，最后构建机器学习模型进行预测。这类方法存在特征泛化性差、人工交互成本高、易受观察者主观因素影响等局限性，难以满足大规模临床应用需求。近年来，深度学习技术凭借强大的端到端特征学习能力，无需人工定义特征，可直接从原始影像数据中挖掘高维隐含信息，在乳腺癌NAC疗效预测领域展现出显著的应用潜力，相关研究数量呈爆发式增长。一、深度学习应用于NAC疗效预测的常用影像模态不同影像模态能够提供肿瘤不同维度的生物学信息，多模态融合是当前疗效预测模型的重要发展方向。1.1动态对比增强磁共振成像（DCE-MRI）DCE-MRI是乳腺癌NAC疗效预测中应用最广泛的影像模态，通过静脉注射造影剂后连续采集图像，可反映肿瘤的微血管密度、血管通透性及血流动力学特征，对肿瘤异质性的评估灵敏度显著高于其他模态。2023年《JournalofClinicalOncology》发表的多中心研究显示，基于治疗前DCE-MRI的深度学习模型预测病理完全缓解（pCR）的AUC可达0.89，显著高于传统影像组学模型的0.78。常用的深度学习网络结构中，卷积神经网络（CNN）擅长提取空间维度的纹理与形态特征，而3D-CNN能够同时利用多期增强的时间维度信息，捕捉造影剂的动态洗脱规律，预测性能较2D-CNN平均提升8%-12%。部分研究还通过引入注意力机制，让模型自动聚焦于肿瘤内部强化最显著的异质性区域，进一步减少肿瘤周围正常组织对预测结果的干扰。1.2乳腺钼靶X线摄影乳腺钼靶是乳腺癌筛查的首选手段，具有操作简便、成本低廉、普及度高等优势，尤其适合钙化型乳腺癌的评估。相较于DCE-MRI，钼靶影像的软组织对比度较低，单独用于NAC疗效预测的AUC通常在0.72-0.81之间，但其与DCE-MRI融合后可有效提升模型对三阴型乳腺癌的预测性能。2024年一项纳入1200例患者的回顾性研究发现，融合钼靶微钙化特征与DCE-MRI血流特征的深度学习模型，对三阴型乳腺癌pCR的预测AUC可达0.87，较单模态DCE-MRI模型提升0.09。近年来，数字乳腺断层合成摄影（DBT）技术的普及进一步提升了钼靶的组织分辨能力，基于DBT的深度学习模型可减少传统钼靶中组织重叠带来的伪影干扰，预测准确率较传统2D钼靶提升约10%。1.3超声影像超声检查具有无辐射、实时动态、可及性强等特点，是基层医院乳腺癌诊疗的常用手段。超声影像能够提供肿瘤的弹性、血流灌注等功能信息，其中剪切波弹性成像（SWE）可定量测量肿瘤的硬度，与肿瘤的纤维化程度及化疗反应密切相关。2025年《UltrasoundinMedicine&Biology》发表的研究显示，融合B超形态特征、彩色多普勒血流特征与SWE弹性特征的多参数超声深度学习模型，预测NAC疗效的AUC可达0.83，且模型在不同设备厂商的数据集上的泛化性能优于DCE-MRI模型，更适合在医疗资源不足的地区推广应用。超声影像的局限性在于其高度依赖检查者的操作手法，不同医师采集的图像切面差异较大，因此如何减少数据异质性是提升超声深度学习模型鲁棒性的关键问题。1.4正电子发射计算机断层显像（PET-CT）PET-CT能够从分子水平反映肿瘤的代谢活性，常用的显像剂18F-FDG可特异性评估肿瘤细胞的葡萄糖摄取能力，是预测NAC疗效的敏感标志物。基于PET-CT的深度学习模型不仅可以提取肿瘤区域的代谢参数，还能挖掘全身其他部位的潜在转移信息，对NAC后远期复发风险的预测性能显著优于其他模态。2023年《EuropeanJournalofNuclearMedicineandMolecularImaging》的研究显示，治疗前18F-FDGPET-CT的深度学习模型预测NAC后2年无病生存率的C-index可达0.81，较传统SUVmax指标提升0.14。PET-CT的缺点是检查成本高、具有一定辐射剂量，临床中难以作为常规随访手段，因此相关研究样本量普遍较小，模型的外部验证仍需进一步加强。二、深度学习模型的常用构建策略针对乳腺癌NAC疗效预测的任务特点，研究者们提出了多种创新性的模型构建方法，以解决小样本、数据异质性、多模态融合等实际问题。2.1小样本学习策略医学影像数据的标注需要专业医师的大量投入，且NAC疗效的金标准病理结果获取成本较高，导致现有研究的数据集规模普遍较小，容易出现模型过拟合问题。迁移学习是解决小样本问题最常用的方法，通过将在自然图像数据集（如ImageNet）上预训练的网络权重迁移到医学影像任务中，可显著降低模型对标注数据的需求。2024年一项研究显示，使用迁移学习的CNN模型仅需200例标注数据即可达到与1000例数据从头训练的模型相当的预测性能。此外，少样本学习（Few-shotLearning）和半监督学习方法也被广泛应用，其中半监督学习可利用大量未标注的影像数据辅助模型训练，在标注数据量减少50%的情况下，模型性能仅下降3%-5%，极大降低了数据标注成本。2.2多组学融合策略单一影像模态提供的信息有限，将影像特征与临床病理、基因组等多组学数据融合，可进一步提升预测模型的性能。常见的融合策略包括早期融合、中期融合和晚期融合三类：早期融合是在输入层将不同模态的数据直接拼接，适合维度相近的特征组合；中期融合是在网络的隐藏层对不同模态的特征进行交互，通过注意力机制自动学习不同特征的权重，是目前应用最广泛的融合方式；晚期融合则是分别构建单模态预测模型，最后对各模型的输出结果进行集成，可解释性最强但性能提升有限。2025年《NatureCommunications》发表的研究显示，融合DCE-MRI影像特征、肿瘤突变负荷（TMB）、Ki-67表达及临床分期的多组学深度学习模型，预测pCR的AUC可达0.92，较单一影像模型提升0.07，且模型在不同分子亚型的乳腺癌中均表现出稳定的预测性能。2.3可解释性增强策略深度学习模型的“黑箱”特性是阻碍其临床转化的主要障碍之一，临床医师不仅需要模型给出预测结果，还需要知道模型做出判断的依据。近年来，越来越多的研究开始关注模型的可解释性设计，常用方法包括类激活映射（CAM）、梯度加权类激活映射（Grad-CAM）等，可可视化显示模型重点关注的影像区域，帮助医师验证模型是否聚焦于肿瘤区域而非周围正常组织。部分研究还引入了放射病理关联分析，将模型提取的高维影像特征与病理切片中的细胞密度、间质比例等微观特征进行关联，为影像特征的生物学意义提供解释。2024年一项研究构建了可解释的注意力门控深度学习模型，在输出预测结果的同时，还能自动标注出肿瘤内部与化疗抵抗相关的高风险区域，为后续肿瘤靶向穿刺和个体化放疗方案制定提供参考，临床医师对该模型的接受度较传统黑箱模型提升了62%。三、当前研究面临的挑战与局限性尽管深度学习在乳腺癌NAC疗效预测领域取得了显著进展，但目前多数研究仍处于单中心回顾性阶段，距离大规模临床应用仍存在诸多挑战。3.1数据异质性问题多中心、多设备、多扫描参数导致的影像数据异质性是影响模型泛化性能的首要因素。不同医院的MRI扫描场强（1.5T/3.0T）、扫描序列、造影剂注射速率均存在差异，导致同一患者在不同机构采集的影像特征差异显著。2023年一项多中心验证研究显示，在单中心数据集上AUC达0.89的深度学习模型，在外部中心数据集上的AUC仅为0.71，性能下降超过20%。目前解决数据异质性的常用方法包括数据标准化、域适应技术等，但现有方法只能部分降低异质性的影响，尚未有通用的解决方案。建立标准化的影像采集协议、构建大规模多中心共享数据集是解决该问题的根本途径。3.2标注质量与金标准偏差问题疗效预测模型的性能高度依赖标注数据的质量，而现有研究中肿瘤区域的分割多为单医师标注，存在观察者间差异。此外，NAC疗效评估的金标准病理完全缓解（pCR）的定义在不同研究中也存在差异，部分研究将原位癌残留也归为pCR，而另一些研究则要求浸润性癌和原位癌均完全消失，这种金标准的不一致会导致模型性能评估结果不可比。部分研究还存在选择偏倚，纳入的患者多为预后较好的亚型，导致模型在真实世界人群中的表现显著低于研究报道。3.3临床转化障碍除了模型可解释性不足的问题外，深度学习模型的临床部署还面临数据安全、监管审批、工作流整合等多重障碍。医疗数据属于敏感信息，如何在保护患者隐私的前提下实现模型的跨机构训练与验证，是需要解决的关键问题。此外，目前医疗AI产品的监管体系仍不完善，深度学习模型的迭代更新需要重新进行临床试验，极大增加了产品落地的成本。现有模型大多是独立的软件系统，未与医院现有影像归档和通信系统（PACS）、电子病历系统（EMR）进行深度整合，临床医师使用时需要手动上传数据，增加了工作负担，降低了临床应用的意愿。四、未来研究方向与发展趋势针对现有研究的局限性，未来该领域的发展将主要围绕以下几个方向展开：一是构建大规模标准化多中心数据集，开展前瞻性临床试验验证。国际上已有多个联盟开始推动乳腺癌影像数据的标准化采集与共享，如2024年启动的全球乳腺癌NAC影像数据库项目，计划纳入全球30个中心的10000例患者数据，统一扫描协议、标注标准与疗效评估定义，为模型的开发与验证提供高质量的数据基础。基于大规模数据集的前瞻性临床试验将是验证模型临床价值的核心环节，只有在前瞻性队列中证明模型能够真正改善患者预后，才能获得临床医师的认可。二是发展更鲁棒的人工智能算法，解决数据异质性和小样本问题。自监督学习、联邦学习等新兴技术为解决上述问题提供了新思路：自监督学习可利用大量未标注数据进行预训练，提升模型的特征学习能力和泛化性能；联邦学习可在不共享原始患者数据的前提下，实现多中心联合训练，既保护了患者隐私，又能利用多中心数据的多样性提升模型的鲁棒性。此外，动态预测模型也是重要的发展方向，通过融合治疗前、治疗早期（1-2周期后）的多时间点影像数据，动态更新疗效预测结果，可及时调整不敏感患者的治疗方案，避免无效化疗。三是推动诊疗一体化的临床应用，将疗效预测模型与临床决策支持系统深度整合。未来的模型不仅要能预测NA