上海科技大學(xué)生物醫(yī)學(xué)工程學(xué)院錢學(xué)駿等研發(fā)了專門用于乳腺癌風(fēng)險分層的多模態(tài)人工智能系統(tǒng)BMU-Net模型，實現(xiàn)了多層級乳腺癌風(fēng)險預(yù)測，其預(yù)測能力超越了資深影像科醫(yī)生，為乳腺癌篩查和診斷提供了可能的技術(shù)手段。（Nat Biomed Eng. 2024年12月4日在線版）

研究者基于超聲和鉬靶，綜合患者主訴、病史等重要臨床指標(biāo)，構(gòu)建了結(jié)合傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)與Transformer的混合深度學(xué)習(xí)框架，并創(chuàng)新性引入不同癌變風(fēng)險等級的乳腺疾病樹，實現(xiàn)了多層級乳腺癌風(fēng)險預(yù)測。結(jié)果顯示，該模型預(yù)測能力超越了資深影像科醫(yī)生，初步達(dá)到資深病理科醫(yī)生的水準(zhǔn)，為更廣泛的乳腺癌篩查和診斷提供了可能的技術(shù)手段。

亞洲女性乳腺組織密度較高且乳腺癌發(fā)病低齡化趨勢，超聲基于其便捷、無輻射、經(jīng)濟(jì)實惠等優(yōu)勢，逐漸成為我國乳腺癌篩查診斷的首選手段。不過，超聲在早期篩查中有一定局限性，尤其是對微小鈣化灶的檢出不夠理想。臨床實踐中逐漸形成鉬靶+超聲的組合，常規(guī)體檢可選擇，門診就醫(yī)時對不明確病灶會聯(lián)合聯(lián)查。除影像學(xué)檢查，醫(yī)生還綜合評估患者主訴、既往病史、觸診等臨床指標(biāo)，這種診斷模式流程繁瑣，信息龐雜，診斷準(zhǔn)確性也難以保證。

研究者開發(fā)了一款專門面向乳腺癌風(fēng)險分層的多模態(tài)人工智能系統(tǒng)BMU-Net模型（下圖）。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。通過在大規(guī)模鉬靶和超聲數(shù)據(jù)集上進(jìn)行遷移學(xué)習(xí)預(yù)訓(xùn)練，再結(jié)合多模態(tài)匹配數(shù)據(jù)集進(jìn)行精細(xì)化調(diào)優(yōu)，顯著提升了模型的通用性和復(fù)用價值。創(chuàng)新性地采用隨機(jī)掩碼訓(xùn)練策略，使BMU-Net能靈活處理不同模態(tài)的輸入數(shù)據(jù)，有效應(yīng)對臨床實踐中因患者隱私保護(hù)等原因?qū)е碌臄?shù)據(jù)缺失問題。

研究者利用5025例患者的
19 360幀乳腺影像開展模型開發(fā)和測試工作。通過與資深影像科醫(yī)生在158例鉬靶檢查和146例超聲檢查中的診斷結(jié)果進(jìn)行對比，發(fā)現(xiàn)BMU-Net在腫瘤良惡性分類方面與專家水平相當(dāng)，在組織病理學(xué)分級診斷方面（根據(jù)癌變風(fēng)險設(shè)計的breast disease tree）超越了人類專家的表現(xiàn)。

研究證實，臨床數(shù)據(jù)（尤其是年齡和體質(zhì)指數(shù)）對乳腺癌風(fēng)險精準(zhǔn)分級具有重要意義，這與現(xiàn)有的乳腺癌風(fēng)險因素研究相互印證。在包含187例患者的前瞻性多模態(tài)數(shù)據(jù)驗證中，BMU-Net得到了90.1%的準(zhǔn)確率，已接近病理學(xué)家通過活檢切片分析獲得的92.7%的準(zhǔn)確率。

BMU-Net的優(yōu)勢還體現(xiàn)在其開發(fā)過程中特別關(guān)注了有挑戰(zhàn)性的BI-RADS 4類病例（癌癥可能性2%~95%）。尤其在處理BI-RADS 4a類病例（癌癥可能性為2%~10%）這一診斷難度較大的不確定區(qū)間時，模型提供了極具價值的判斷依據(jù)。例如，通過將BI-RADS 4a降級為BI-RADS 3，可幫助患者避免不必要的侵入性活檢。

研究者構(gòu)建的BMU-Net模型，為臨床醫(yī)生提供了多層級的乳腺癌風(fēng)險評估工具，有望改善患者生存質(zhì)量，有重要的臨床意義。 （編譯 張俊熙）