5月19日，上海科技大学生物医学工程学院沈定刚团队在国际学术期刊Nature旗下子刊《自然-生物医学工程》（Nature Biomedical Engineering）上发表重要研究成果，提出了AI辅助乳腺癌无创诊断新方法。论文题目为“A deep learning system for non-invasive breast cancer diagnosis with multimodal data”（基于多模态数据的乳腺癌无创诊断深度学习系统）。
乳腺癌是女性最常见的恶性肿瘤之一，早期准确诊断对改善患者预后至关重要。临床常采用多模态影像对病灶进行初步风险评估，并通过穿刺活检明确病理性质。然而，穿刺活检属于有创操作，不仅会带来额外医疗成本，更可能加重患者身心负担。基于多模态影像精准区分乳腺病灶良恶性、减少不必要活检，已成为乳腺癌诊断中的关键临床问题。
乳腺癌临床诊断流程及本文提出的多模态乳腺癌诊断模型框架
为此，研究团队提出了乳腺癌智能无创诊断系统BINDS。该系统整合超声、钼靶和磁共振等多模态影像数据，实现乳腺病灶的风险评估与亚型分类。BINDS采用了与临床流程一致的两阶段诊断模式：第一阶段基于超声和/或钼靶完成初步评估；当结果存在不确定性时，第二阶段引入磁共振信息进行更全面的多模态诊断，从而在控制检查成本的同时提升疑难病例的诊断精度。此外，考虑到不同患者的检查项目存在差异，BINDS支持任意模态组合输入，具有良好的实用性与适配性。
本研究还引入了放射影像—病理图像对齐机制。在模型训练阶段，系统利用病理全切片图像提供组织学参照，引导模型学习影像中与病理特征相关的关键信息，从而提升影像特征的诊断价值；而在实际临床应用中，BINDS无需再依赖病理图像，仅凭放射影像数据即可完成无创评估。此外，BINDS还可生成可解释热图，直观显示模型关注的关键区域，为医生理解 AI 判断依据提供参考。
本研究基于来自8家医学中心和7个公开数据集、共27,048名受试者的数据完成模型构建与验证。结果显示，BINDS在乳腺癌风险评估任务中表现优异，内部测试队列AUROC达0.973，外部测试队列AUROC达0.941。进一步研究表明，BINDS可辅助放射科医生提升诊断效能，在不影响恶性病灶检出的前提下，最多可减少32.4%的良性病灶活检。
该工作展示了多模态AI系统在乳腺癌无创诊断中的应用潜力，有望辅助医生优化活检决策、提升筛查与诊断效率，推动乳腺癌诊疗朝着更精准、安全、对患者更友好的方向发展。
上海科技大学沈定刚课题组博士研究生李咏豪为论文的共同第一作者。上海科技大学生物医学工程学院创始院长、联影智能联席CEO沈定刚教授，云南省肿瘤医院李振辉主任、上海交通大学柯晶教授、杭州市第一人民医院丁忠祥主任、贵州省人民医院王荣品主任为共同通讯作者。上海科技大学为第一完成单位，上海临床研究中心为合作单位。
沪公网安备 31011502006855号