乳腺非肿块性病变(NMLs)缺乏典型的肿块效应，使常规超声(CUS)诊断困难，易导致漏诊或误诊。多模态超声(MUS)整合灰阶超声(GSUS)、弹性成像(Elastography)、增强超声(CEUS)及自动乳腺容积扫描(ABVS)，从形态、组织硬度、血流灌注及空间结构等多维度评估病变，显著提高诊断准确性。近年来，人工智能(AI)的快速发展进一步推动了MUS的智能化演进。研究显示，多模态超声融合策略在良恶性NMLs鉴别中可实现受试者工作特征曲线下面积(AUC)超过0.930；引入深度学习(DL)后AUC可达0.960；基于机器学习(ML)的多模态模型在分子亚型预测中AUC可达0.947。此外，超声影像特征在一定程度上与Luminal型、HER2过表达型及三阴性乳腺癌等分子亚型相关。可解释人工智能(XAI)与多视角视觉Transformer等新兴技术也显示出潜力。本文系统综述了多模态超声与人工智能在乳腺非肿块性病变诊断中的研究进展，重点关注深度学习模型、放射组学及分子亚型预测，为未来研究及临床转化提供参考。
## 1. 引言
乳腺癌在女性恶性肿瘤中发病率和死亡率均居首位，早期发现和准确诊断是改善患者预后的关键。超声因无辐射、成本低及可重复性高，已成为乳腺癌筛查和诊断的重要影像学手段，尤其对致密乳房女性，作为乳腺X线摄影(MG)的重要补充。在超声筛查中，常遇到不符合肿块标准的病变，即非肿块性病变(NMLs)，表现为回声异常但无明显三维结构，增加了良恶性鉴别难度。NMLs病理类型广泛，包括良性腺病、炎性病变及瘢痕组织，以及恶性导管原位癌(DCIS)和浸润性小叶癌(ILC)等。由于传统超声特征重叠明显，易造成诊断主观性高、误诊或漏诊。
多模态超声(MUS)通过整合CUS、应变弹性成像(SE)、CEUS和ABVS，从形态、血流、硬度及微循环等多角度全面评估病变。然而，影像信息复杂性增加了临床解读难度。近年来，人工智能(AI)，尤其是机器学习(ML)和深度学习(DL)技术，为多模态超声的智能分析提供了新的解决方案，可自动提取和融合多模态特征，在NMLs良恶性鉴别及分子亚型预测中显示出潜力。本综述采用系统化检索及双盲独立筛选策略，涵盖54项研究，聚焦算法开发、多模态特征融合及临床验证，为NMLs精准诊断提供循证依据。
## 2. NMLs的临床与病理基础
### 2.1 定义与分类
日本超声医学会及乳腺甲状腺超声学会(JABTS)指南将非实质性病变(nonsolid lesions)分为导管异常、低回声区、结构畸形、多小囊及无低回声的高回声灶五类，其中低回声区最常见。美国放射学会(ACR)BI-RADS第6版正式将NMLs纳入超声诊断分类。NMLs在至少两个互相垂直切面显示与周围腺体回声不同，缺乏三维肿块效应及清晰边界，可表现为结构畸形、导管异常、局灶性低回声区、微钙化簇或微小囊性结构，分为局灶型、线性型、节段型及区域型。
### 2.2 病理谱及临床特征
NMLs病理类型涵盖从良性增生到浸润性癌，良性包括腺病、导管上皮增生、放射状瘢痕、炎症及脂肪坏死；恶性以DCIS最常见，其次为ILC、IDC及少数特殊类型如淋巴瘤。超声检出率受研究人群和诊断标准影响，为0.28%–13.3%；恶性率在筛查人群为2.2%–8.0%，症状人群可达16.1%–53.8%。病理与影像关系复杂，“同病理不同影像；异病理相似影像”是NMLs诊断的核心挑战。
### 2.3 传统超声的局限性
CUS敏感性65%–85%，特异性60%–80%，约20%–30%患者行不必要活检，10%–15%恶性病变漏诊。微钙化、结构畸形及低回声区等特征易在良恶性间重叠，单一影像模式难以精准风险分层，显示引入MUS和AI的必要性。
## 3. NMLs多模态超声特征与病理相关性
### 3.1 CUS特征
CUS主要从回声、分布及伴随特征描述NMLs。低回声最常见，可为斑片状、地图状或边界模糊；分布可为局灶、节段或区域型；伴随特征包括微钙化、结构畸形、导管异常及后方回声衰减。微钙化为恶性独立预测因子(OR=3.45–8.9)，结构畸形常见于ILC、IDC及DCIS，也可能出现在放射状瘢痕和硬化性腺病中；导管内实性成分提示恶性。超声特征与分子标记物ER、PR、HER2及Ki-67相关。
### 3.2 SE特征
应变弹性成像(SE)和剪切波弹性成像(SWE)评估组织硬度。SWE中，NMLs的弹性模量阈值低于肿块性病变，最大弹性模量(Emax)及平均值(Emean)可区分良恶性，且与PR、HER2、Ki-67表达相关。弹性成像可辅助BI-RADS分级，降低不必要活检。
### 3.3 CEUS特征
CEUS通过微泡造影剂实时显示微循环灌注，恶性NMLs表现为早期增强、不均匀高增强、增强后病变增大及周边放射或穿通血管。CEUS增强模式与病理类型及分子亚型相关：Luminal A型表现为扩张增强和周血管征，HER2过表达及基底样型表现为增强不扩张、边界不清。
### 3.4 ABVS特征
ABVS可获取乳腺全容积数据并进行冠状面重建，清晰显示病变与周围腺体的解剖关系。冠状面可显示放射性收敛征(convergence sign)、导管硬度及微钙化分布，用于良恶性鉴别及分子亚型预测。基于ABVS的放射组学模型可用于术前侵袭性与非侵袭性乳腺癌鉴别(AUC=0.874)。
### 3.5 MUS融合特征
MUS融合CUS、SE、CEUS及ABVS提供综合诊断数据，多项研究显示其对NMLs良恶性鉴别的AUC可达0.862–0.976，敏感性78.60%–98.00%，特异性76.92%–96.20%。MUS影像特征与病理类型及分子亚型高度相关，超声在初步评估中与MRI相当，优于乳腺X线摄影。
## 4. MUS联合AI的诊断价值
NMLs病理谱广泛，即使MUS亦存在分类困难。AI尤其是深度学习(DL)在图像分割与模型训练上优于传统方法。AI模型可自动提取丰富特征，避免手工特征限制。多项研究显示，VGG16基础的多模态DL模型在248例NMLs中实现准确率91.54%，敏感性94.15%，特异性87.30%，AUC=0.96；结合临床特征及LightGBM模型，AUC可从0.867提升至0.933。XBusNet模型整合图像与临床文本，实现NMLs分割Dice=0.8766，尤其对小病变或低对比病变有效。AI应用正向多模态融合、放射组学深度分析及临床语义理解发展，为精准诊断提供多样化技术路径。
## 5. 建议的临床整合工作流程
基于MUS与AI研究，提出四步流程：
1. CUS筛查：灰阶US+彩色多普勒，BI-RADS 3以下随访，4及以上进入下一步。
2. ABVS特征表征：冠状面重建评估收敛征、导管硬度及微钙化三维分布。
3. CEUS/SWE风险分层：低、中、高风险分组依据增强模式及弹性模量。
4. AI辅助决策：将CUS、ABVS、CEUS、SWE特征输入预训练深度学习或放射组学模型，输出恶性概率及分子亚型预测，与放射科医师判断结合决定活检或随访。该流程可减少不必要活检、提升恶性病变检出率并支持个体化治疗。
## 6. 结论与展望
AI融合MUS在NMLs诊断中前景广阔，但临床应用仍面临数据与模型挑战。数据层面：缺乏大规模、标准化、多中心数据集，设备、采集时间及标注标准差异显著；模型层面：多模态融合增加参数量，过拟合风险高，融合策略和可解释性尚不成熟。未来需建设公开共享、多中心标准化数据集；探索图神经网络及Transformer跨模态融合；提升模型可解释性并开展前瞻性多中心临床验证，推动MUS+AI在实际临床中的应用，提高NMLs早期发现率及长期预后。
