中国科学家开发多模态AI辅助乳腺癌无创诊断方法，有望减少32.4%不必要活检
*仅供医学专业人士阅读参考
乳腺癌是全球女性健康的首要威胁，其新发病例数在2020年已达230万例，且预计到2040年将突破300万大关。
在临床诊断中，影像学检查（如超声、钼靶、MRI）是识别病灶的第一道防线。然而，现有的筛查手段存在明显的不足：单纯依赖一种影像模态往往容易出现误诊或漏诊，导致大量BI-RADS 4类（恶性概率为2%至95%）的患者被建议进行穿刺活检。
尽管活检是诊断的金标准，但它伴随着身体创伤、高额成本以及针对良性病变的过度治疗风险。如何实现高精度的非侵入性诊断，从而减少不必要的活检，一直是医学影像界的焦点。
近期，《自然·生物医学工程》杂志发表了中国科学家团队的论文，研究者们开发了一款名为BINDS的多模态深度学习系统，用于乳腺癌的筛查和诊断。该系统实现了高达0.973的曲线下面积（AUROC），并能协助放射科医师减少32.4%的良性病变活检。
本研究通讯作者为上海科技大学沈定刚、云南省肿瘤医院李振辉、上海交通大学柯晶、杭州市第一人民医院丁忠祥、贵州省人民医院王荣品。
研究团队构建了迄今为止规模最大的乳腺癌多模态影像数据集，涵盖了来自8家医疗中心和7个公共数据集的27048名参与者。为了适配临床环境，BINDS被设计为支持超声（US）、钼靶（MM）和磁共振（MRI）的灵活组合输入。即使患者缺失某些模态，系统也能通过掩码自注意力机制（masked self-attention）聚焦可用特征，确保诊断不因数据缺失而中断。
为了模拟真实的临床决策流程，BINDS采用了两阶段策略。第一阶段仅输入超声或钼靶进行初步评估，若系统判定预测结果处于“不确定”区间，则进入第二阶段，加入高成本但更精准的MRI数据进行终极判定，以全切片病理图像（WSIs）作为金标准来辅助训练。
如此一来，BINDS能够学习到放射学影像中的不规则形状与病理学上的浸润性导管癌（IDC）之间的内在联系。 实验证明，这种对齐机制将非IDC亚型的诊断敏感性从0.599显著提升至0.723。
在内部测试集中，两阶段诊断的AUROC达到了0.973，显著优于超声单模态（0.912）或两模态组合（0.932）的表现。在读片对比研究中，多模态BINDS的准确率（0.933）超过了初级放射科医师（0.894）。
通过BINDS的精准辅助，放射科医师可以显著降低对良性病变的活检建议比例，最高降幅达32.4%，这不仅减轻了患者的痛苦，也大幅节省了医疗资源。两阶段诊断模式确保了昂贵的MRI检查仅用于“疑难杂症”，实现了成本效益的最大化。
总的来说，这项研究展示了多模态BINDS系统在乳腺癌无创诊断中的应用潜力，有望用于辅助活检决策优化、提升筛查和诊断效率，推动乳腺癌诊疗的精准化。
原标题：《《自然》子刊：乳腺癌无创诊断突破！中国科学家开发多模态AI辅助乳腺癌无创诊断方法，有望减少32.4%不必要活检》