人工智能如何重塑乳腺癌管理？
乳腺癌是全球女性中最常被诊断出的癌症，也是一种复杂且异质性的疾病。近年来，人工智能（AI）技术，特别是机器学习和深度学习，正以前所未有的方式渗透到乳腺癌管理的各个环节，从早期检测、诊断、预后到治疗策略制定和患者康复，展现出巨大的应用潜力。这篇综述将带您一览AI如何在这场对抗乳腺癌的战斗中扮演越来越重要的角色。
治疗前阶段：更早、更准的洞察
检测：AI成为放射科医生的“超级助手”
早期检测是提高乳腺癌治愈率的关键。乳腺X线摄影（ mammography ）是主要的筛查手段，但传统上依赖放射科医生进行双重判读，过程耗时且存在观察者间差异，导致一定的假阳性和假阴性率。
AI，特别是深度学习中的卷积神经网络（CNNs），正在改变这一现状。它们通过分析海量的标注乳腺图像，自我学习识别癌性病变的特征，无需人类预先定义规则。多项回顾性研究表明，AI系统在检测乳腺癌方面可以与放射科医生相媲美，甚至表现更优，其性能通过受试者工作特征曲线下面积（AUROC）、敏感性、特异性等指标衡量。更有趣的是，AI甚至能发现一些被放射科医生漏诊的“区间癌”。
目前，欧洲的几项前瞻性研究（如MASAI试验）带来了更令人鼓舞的消息。这些研究显示，AI辅助筛查不仅能保持或提高癌症检出率，还能显著减少放射科医生的阅片工作量（最高减少44.3%），缩短解读时间。在数字乳腺断层合成（DBT）、磁共振成像（MRI）和超声等其他影像模态中，AI同样展现出提升准确性和效率的潜力。例如，在超声成像中，AI模型能高精度区分良恶性病变，甚至对良性病变进行风险亚分类，有望减少不必要的侵入性活检。
诊断与预后：从形态中读出深层信息
一旦发现可疑病变，下一步是明确诊断（确定肿瘤分级和分子亚型）和评估预后（预测疾病进展或复发风险）。
传统诊断依赖基因组、转录组分析或组织病理学切片（如H&E染色、免疫组化IHC）分析，后者更为常用。AI驱动的数字病理工具可以自动化分析全切片图像（WSIs），加速切片审查，提供一致的分级和生物标志物评分，并能整合难以手动合成的多组学数据。
例如，有研究开发了深度学习模型，仅通过H&E染色的WSIs来预测乳腺癌固有的PAM50分子亚型，总体准确率可观，其中基底亚型的准确率最高。这揭示了在传统病理学评估之外，AI还能洞察肿瘤内部的异质性。在其他研究中，AI模型被用于量化浸润性癌的范围、预测肿瘤分级、ER状态乃至Oncotype DX复发风险评分，为治疗决策（如是否需要进行辅助化疗）提供了有价值的参考。
预后方面，AI不仅能分析肿瘤细胞的形态，还能深入探究肿瘤微环境（TME）。有模型通过分析H&E切片中上皮细胞和基质细胞的核形态，成功对Oncotype DX风险评分进行分类。另有研究利用无监督表征学习，在导管原位癌（DCIS）的染色质图像中识别出8种不同的细胞状态，其比例和空间组织被证明可以预测疾病分期，为预后提供了新的生物标志物视角。
治疗阶段：迈向真正的个性化医疗
预测治疗反应：从“试错”到“预测”
治疗规划是乳腺癌护理的核心。传统方法依赖临床病理标志物，但缺乏个体层面的精确性。AI通过整合临床、人口统计学、影像组学、基因组学等多维度数据，构建预测模型，能更准确地估计患者对新辅助治疗达到病理完全缓解（pCR）或发生淋巴结转移的可能性。
研究报道了多种AI模型在预测pCR方面表现出色（AUROC可达0.74-0.93）。此外，AI模型还能预测患者对CDK4/6抑制剂（如帕博西尼）的敏感性，甚至预测蒽环类药物相关的心脏毒性风险。这些预测能力使得治疗选择更加个体化，避免了非应答者承受不必要的毒副作用。
精准医疗：为每位患者“量身定制”方案
乳腺癌的异质性和耐药性是治疗中的巨大挑战。精准医疗旨在根据患者独特的遗传和分子特征制定治疗方案。AI将这一理念提升到了新高度。
许多研究利用AI模型来优化药物组合选择，以期发挥协同效应、克服耐药性。这些模型使用的算法多种多样，包括随机森林、极限梯度提升（XGBoost）、张量分解和各种神经网络。更令人兴奋的是，像二次表型优化平台（QPOP）这样的患者中心型平台，能够利用患者自身的肿瘤活检样本进行体外药物测试，通过AI分析来优化有效的药物组合，并已在淋巴瘤等癌症的临床应用中取得了成功。
在个性化给药方面，CURATE.AI平台展现了一种独特的“N-of-1”方法。它不需要庞大的患者数据集进行训练，仅根据个体患者已有的用药剂量和生物标志物（如肿瘤大小、循环肿瘤DNA）变化，动态生成个性化的治疗曲线，实时调整剂量以最大化疗效并最小化毒性。目前，评估QPOP联合CURATE.AI用于乳腺癌患者的临床试验正在进行中。
AI还在遗传咨询和教育中发挥作用。研究表明，AI对话虚拟助手在提供个性化的遗传教育方面，其患者满意度和理解度可以与认证的遗传咨询师相媲美，这有助于扩大遗传服务的可及性。
治疗后阶段：关注患者长期生活品质
治疗成功后的患者康复同样重要，这包括应对治疗带来的身体、心理和情感影响，提升生活质量（QoL）。
目前，许多数字疗法（如基于App的干预）被开发用于改善患者的身体活动、焦虑、抑郁和性健康等，但大多数尚未整合AI。人工智能支持欧洲癌症患者（ASCAPE）平台和CUMACA-M网络程序等正在探索利用机器学习算法，根据来自应用程序、问卷、医疗记录和可穿戴设备的数据，预测患者的各种QoL问题，并向临床医生推荐干预措施。虽然这些试验的结果尚待公布，但它们代表了AI在支持癌症幸存者长期健康方面的未来方向。
患者对乳房手术美学效果的满意度也直接影响其QoL和身体形象。CINDERELLA临床试验正在测试一个AI网络平台，它能为患者提供不同治疗方案的信息，并利用患者自身的术前图像生成可能的美学结果，帮助患者做出更知情的决策。此外，AI还可以通过计算机视觉技术自动分析用于乳房重建手术（如DIEP皮瓣术）术前规划的CT血管造影（CTA）图像，将分析时间从2小时缩短至30分钟，减轻了医务人员的工作负担。
AI的影响与挑战：机遇与责任并存
对医疗成本和医护人员的影响
理论上，AI通过提高准确性、减少分析时间和侵入性程序，可以带来显著的医疗成本节约。有机构预测，AI每年可为美国医疗行业节省数千亿美元。在乳腺癌管理领域，AI有望通过减少假阳性、避免不必要的活检和优化资源分配来降低成本。然而，真实的成本效益数据仍然缺乏，AI系统本身的购置、维护、人员培训和基础设施改造也可能带来额外开支。
对于医护人员而言，AI并非替代者，而是强大的协作工具。AI擅长快速、准确地分析大数据，而医护人员则负责监控AI系统、在临床背景下解读结果、与患者进行富有同理心的沟通，并对AI输出提供监督和反馈。AI的应用将改变放射科医生和病理学家的工作模式，例如，从双重独立判读转变为一名医生在AI决策支持系统辅助下工作，或由AI进行初筛。拥抱并适应这一变化的医疗专业人员将能提供更优质的护理。
面临的挑战
尽管前景广阔，但AI在乳腺癌管理中的广泛应用仍面临多重挑战：
- 1.
泛化性与数据偏见：AI模型需要大规模、多样化的数据集进行训练，才能很好地泛化到不同人群。如果训练数据中某些群体（如特定种族、年龄）代表性不足，可能导致模型在这些群体上表现不佳，甚至加剧健康不平等。患者数据隐私和同意问题也使获取此类数据集变得复杂。
- 2.
“黑箱”问题与可重复性：许多AI算法的决策过程不透明，难以理解，这影响了临床信任。同时，许多模型基于非公开数据集或专有算法，限制了独立验证和可重复性。
- 3.
监管与合规：将AI系统作为医疗器械进行监管是一个复杂的过程，涉及安全性、有效性验证和上市后监督。缺乏合适的对照设备、证据要求严格以及审批路径漫长都是障碍。确保患者数据安全、界定AI错误导致的医疗责任也是亟待解决的问题。
- 4.
基础设施与公平性：AI的部署需要强大的IT基础设施、与临床工作流的整合以及长期的维护更新。在资源匮乏的环境中，这些条件往往不具备，可能导致AI应用不均，扩大医疗差距。
- 5.
长期健康影响证据不足：目前大多数评估AI应用的研究是回顾性的，缺乏前瞻性随机对照试验来证实AI对患者长期结局（如无进展生存期、总生存期）的积极影响。
结语
人工智能正在全面渗透乳腺癌管理的方方面面，从提升早期诊断的敏锐度到赋能高度个性化的治疗策略，乃至关怀患者的长期康复质量。然而，将其潜力转化为广泛的临床益处，需要克服数据、算法、监管和伦理方面的重大挑战。未来的发展需要致力于 rigorous 的前瞻性验证、透明化的模型开发、解决偏见问题以及确保公平的实施策略，最终让人工智能安全、有效、负责任地惠及全球所有乳腺癌患者。
