近日，厦门大学附属翔安医院肿瘤诊治中心主任、乳腺甲状腺外科主任、福建省乳腺癌精准诊治重点实验室主任、长江学者特聘教授张国君团队在国际知名学术期刊BBA - Reviews on Cancer上发表了题为：Clinical Applications of Deep Learning in Breast MRI的综述论文。
该综述回顾了基于乳腺磁共振（MRI）的深度学习（Deep Learning）技术及其在乳腺癌临床诊疗中的应用研究概况，总结了该领域面临的问题与挑战，提出了未来研究的可能方向。
乳腺癌是全球女性最常见的恶性肿瘤，自2000年以来，女性乳腺癌症的发病率每年缓慢增长约0.5%。多种成像技术可用于乳腺癌症的诊断和筛查，包括超声成像、乳腺钼靶、CT和磁共振成像（MRI）等，其中乳腺MRI是检测早期浸润性乳腺癌症最敏感的方法。
(相关资料图)
深度学习（Deep Learning，DL）是最强大的数据驱动人工智能技术之一，其模型的基本结构为类似于人脑神经元的神经网络结构，它可以从原始数据中自动学习，而无需手动特征选择。深度学习在医学图像分析和疾病诊断方面已取得了重大进展，尤其是在放射学、病理学、皮肤病学和眼科学等领域。
近年来，将人工智能（AI）技术结合医学成像的研究在乳腺癌领域同样迎来了暴风式的增长。相对于乳腺超声和钼靶而言，MRI检查对乳腺癌的检测更加敏感，而且其检查结果常常包含多个序列及上千张图片。海量的图片十分考验影像科医生的读片技术，也会耗费医生大量的时间。然而一旦将其与AI技术相结合，这些图片就会提供十分丰富的信息供模型学习。
该综述总结了近6年来所有将深度学习技术和乳腺磁共振相结合的研究，并以临床应用为导向进行了统计和分析。结果显示，近年来，通过乳腺MRI图像构建深度学习模型并用于乳腺癌临床应用的研究呈现出直线上升的趋势，且针对的临床应用场景越来越多元化。除了乳腺癌的病灶识别和良恶性诊断外，还包括乳腺实质背景增强评估、乳腺癌分子分型、组织病理学分型的判别、新辅助化疗反应预测以及淋巴结转移预测。各种各样的深度学习模型均被证实在乳腺癌相关的诊断和预测任务中具有良好甚至超越影像科医生的表现，同时可以大大减轻医生的工作量并节约时间成本。
此外，该综述还对所有相关研究所使用的深度学习模型以及MRI序列进行了对比分析，结果发现，目前研究者们用于乳腺MRI分析的深度学习学习模型以CNN为主，其中VGG-Net和ResNet的使用最为常见，分别占比20.0%和18.2%；所使用的MRI图像以DCE-MRI序列为主。
值得一提的是，通过对比分析，论文作者发现使用深度集成模型（Ensemble Model）和多参数磁共振（mpMRI）序列的研究具有相对更高的性能表现，为后续研究提供了参考和优化方向。
然而目前已有的研究仍面临许多问题，如数据量不足、多中心数据格式不统一、磁共振序列参数不一致、使用的DL模型不够先进、缺少对一些重要临床场景的应用等。因此，该领域的研究和探索仍有很长的路要走。未来，研究者需要同时在技术和临床应用方向上进行更深入的探索和创新。
论文作者认为，后续研究应尝试采用更先进的深度融合模型并更好地落实结果的可视化。此外，在临床应用方面，建议将对保乳手术切缘状态、患者预后或复发转移情况和免疫治疗疗效的智能预测等应用作为重点研究方向。相信随着人工智能和深度学习技术的发展以及医工交叉研究的深入，基于乳腺MRI的深度学习技术有望更早更准确的检测出乳腺癌，并帮助患者制定个性化治疗方案甚至改善患者的预后，从而实现乳腺癌患者在诊疗全过程中获益。
基于乳腺MRI的深度学习模型在乳腺癌中的应用流程
厦门大学医学院博士研究生赵雪、厦门大学附属翔安医院肿瘤科主治医师、厦门市乳甲肿瘤临床研究中心主任助理白静雯博士为论文共同第一作者，张国君教授和厦门大学附属翔安医院放射科主任任克教授为通讯作者。相关工作得到了国家自然科学基金、福建省科技重大专项专题等5项基金的资助。标签：
