AI 赋能早期乳腺癌：诊疗新突破与未来展望
乳腺癌作为源自乳腺上皮组织的恶性病变，已成为全球女性高发的癌症类型。该病不仅严重侵蚀女性身心健康，更给家庭和社会带来沉重的医疗经济双重压力。其发病群体广泛，虽多见于中老年女性，但年轻化趋势日益显著。由于早期症状隐蔽，缺乏疼痛或肿块等典型体征，极易被忽视，从而导致漏诊、延误治疗甚至误诊。
临床数据表明，诊疗时机是决定患者生存率与生活质量的关键。权威统计显示，接受规范早期干预的患者，五年生存率超九成，多数可临床治愈并回归正常生活；反之，确诊即中晚期者，因癌细胞扩散转移，治疗难度剧增，预后堪忧，五年生存率不足一成。
除生存率差异巨大外，乳腺癌危害多重。中晚期患者需经历手术、放化疗及靶向治疗等综合手段，周期长、费用高，且伴随脱发、免疫受损、器官损伤及心理抑郁等副作用。晚期转移更会侵袭骨、肺、肝等要害器官，引发剧痛与衰竭，极大降低生存质量。因此，实现早期、精准、高效的筛查诊断，是降低死亡率、改善预后及减轻负担的核心所在。
近年来，人工智能（AI）技术突飞猛进，在医学领域的应用日益深化。凭借处理海量数据的高效性与捕捉病灶细微特征的精准度，AI 为乳腺癌早期诊疗体系的创新开辟了全新路径。
一、传统乳腺癌诊断手段的局限性
当前临床常规筛查手段涵盖乳腺超声、钼靶 X 线、磁共振（MRI）及病理活检等，高度依赖医生经验进行人工阅片与判断。然而，传统模式存在明显短板，难以完全契合早期精准筛查的临床需求。
首先，人工阅片效率受限，面对海量影像数据，资深医生单日工作量饱和，大规模筛查易致诊断滞后。其次，结果高度依赖个人经验，不同资历医生对微小病灶或模糊影像的判断存在主观偏差，易致假阳性或假阴性，导致早期微小结节漏诊。此外，传统方法难以精准区分良恶性，部分疑似病例需二次活检，增加了患者痛苦与就医成本。
二、人工智能在乳腺癌诊断中的应用与优势
随着深度学习、计算机视觉及大数据分析等 AI 技术的快速迭代，AI 凭借高效处理海量数据、精准提取细微特征、客观稳定及快速响应的核心优势，有效弥补了人工诊断的不足，广泛应用于超声、钼靶及 MRI 等智能诊断场景。
（一）精准识别微小隐匿病灶
早期乳腺癌灶体积小、形态模糊且非典型，人工阅片极易疏漏。基于深度学习算法的 AI 模型，经海量数据训练，能精准捕捉像素级细微异常，如微小钙化、结构紊乱及隐匿结节等人工难辨特征，大幅提升检出率，实现超早期筛查。
下表汇总了已报道的利用人工智能对乳腺癌进行分类的方法与应用。
方法
检测手段
优点
参考文献
支持向量机
医疗红外热成像
在提取特征之前应用曲线拉普拉斯先验。
[1]
支持向量机
超声波
结合形态学和纹理特征，能够在不依赖超声系统设置或其他超声设备的情况下进行诊断。
[2]
前向后向传播级联人工神经网络
乳腺 X 光摄影术
可以使用模糊隶属函数来确定训练样本的重要性。
[3]
Swin 变换器
组织病理学
保持非重叠窗口的高效计算。
[4]
基于 Transformer 的整体注意力网络
乳腺活检图像
从数十亿像素图像中端到端学习
[5]
（二）提升诊断效率与标准化水平
AI 可实现影像数据的实时读取、自动分析与智能判读，数秒内完成单例初诊，极大缩短筛查耗时，突破大规模人群筛查的效率瓶颈。同时，依托统一算法与数据标准，AI 规避了人工主观差异，确保结果客观标准化，有效降低误漏诊率，均衡各级医院诊断水平，助力基层实现精准筛查。
（三）精准鉴别病灶性质，辅助临床决策
AI 模型能深度挖掘病灶形态、边界、密度及血流等多维特征，通过大数据比对，智能判别良恶性概率，精准区分增生、良性结节与癌变，减少不必要穿刺。同时，AI 可辅助评估分期与转移风险，为制定个性化手术及放化疗方案提供数据支撑，实现精准诊疗。
三、AI 在早期乳腺癌诊疗应用中的挑战与展望
尽管 AI 优势显著，但其安全融入临床仍面临挑战。目前多数系统功能单一，侧重影像诊断，尚未实现影像、病理、病史及分子标志物等多模态数据的深度融合，难以全面评估风险与预后，无法支撑全流程诊疗。同时，AI 系统常独立于医院现有信息系统，接口不兼容、数据不通，需人工重复导入，操作繁琐且增加医护负担，难以无缝嵌入临床流程。此外，AI 存在过度灵敏问题，易检出终身无进展的良性微病变，引发过度筛查与诊疗，增加患者心理负担与资源消耗，且缺乏人文沟通能力，无法替代医生的温情服务与完整诊疗体验。
随着技术迭代与数据标准化，可解释人工智能（XAI）将成为重点方向。通过梯度加权类激活映射等技术，可视化 AI 的识别与决策过程，清晰呈现依据，破解“黑箱”难题，提升医生信任度。同时，优化算法架构，开发轻量化、自适应模型，针对基层场景及特殊病例专项训练，提升泛化能力与稳定性。建立动态迭代机制，实时对接最新指南，实现算法与标准的动态更新，贴合临床需求 [6]。
总之，随着多模态算法优化与数据完善，AI 将深度融合病理、预后及疗效预测等全流程，推动乳腺癌诊疗向智能化、精准化、普惠化发展，成为防控核心力量。
参考文献
[1] F. Sadoughi, Z. Kazemy, F. Hamedan, L. Owji, M. Rahmanikatigari, T. T. Azadboni, Artificial intelligence methods for the diagnosis of breast cancer by image processing: a review, Breast Cancer 30 (2018 Nov) 219–230.
[2] S. V. Francis, M. Sasikala, S. Saranya, Detection of breast abnormality from thermograms using curvelet transform based feature extraction, J. Med. Syst. 38 (4) (2014) 23.
[3] X. Shi, H.D. Cheng, L. Hu, Mass detection and classification in breast ultrasound images using fuzzy SVM, in: Proceedings of the 2006 Joint Conference on Information Sciences, JCIS 2006, Kaohsiung, Taiwan, ROC, October 8–11, 2006, Atlantis Press, Paris, 2006, pp. 1759–1777.
[4] S. Tummala, J. Kim, S. Kadry, BreaST-Net: multi-class classification of breast cancer from histopathological images using ensemble of swin transformers, Mathematics 10 (21) (2022 Nov 4) 4109.
[5] S. Mehta, X. Lu, W. Wu, D. Weaver, H. Hajishirzi, J.G. Elmore, L.G. Shapiro, End-toend diagnosis of breast biopsy images with transformers, Med. Image Anal. 79 (2022 Jul 1) 102466.
[6] A. Y. Ng, C. J. Oberije, E´. Ambrozay, ´ E. Szab´ o, O. Serf˝ oz˝ o, E. Karpati, G. Fox, B. Glocker, E.A. Morris, G. Forrai, P.D. Kecskemethy, Prospective implementation of AI-assisted screen reading to improve early detection of breast cancer, Nat. Med. 16 (2023 Nov) 1–6.