北京
*僅供醫學專業人士閱讀參考
乳腺癌是全球女性健康的首要威脅，其新發病例數在2020年已達230萬例，且預計到2040年將突破300萬大關。
在臨床診斷中，影像學檢查（如超聲、鉬靶、MRI）是識別病灶的第一道防線。然而，現有的篩查手段存在明顯的不足：單純依賴一種影像模態往往容易出現誤診或漏診，導致大量BI-RADS 4類（惡性概率為2%至95%）的患者被建議進行穿刺活檢。
盡管活檢是診斷的金標準，但它伴隨著身體創傷、高額成本以及針對良性病變的過度治療風險。如何實現高精度的非侵入性診斷，從而減少不必要的活檢，一直是醫學影像界的焦點。
近期，《自然·生物醫學工程》雜志發表了中國科學家團隊的論文，研究者們開發了一款名為BINDS的多模態深度學習系統，用于乳腺癌的篩查和診斷。該系統實現了高達0.973的曲線下面積（AUROC），并能協助放射科醫師減少32.4%的良性病變活檢。
本研究通訊作者為上海科技大學沈定剛、云南省腫瘤醫院李振輝、上海交通大學柯晶、杭州市第一人民醫院丁忠祥、貴州省人民醫院王榮品。
研究團隊構建了迄今為止規模最大的乳腺癌多模態影像數據集，涵蓋了來自8家醫療中心和7個公共數據集的27048名參與者。為了適配臨床環境，BINDS被設計為支持超聲（US）、鉬靶（MM）和磁共振（MRI）的靈活組合輸入。即使患者缺失某些模態，系統也能通過掩碼自注意力機制（masked self-attention）聚焦可用特征，確保診斷不因數據缺失而中斷。
為了模擬真實的臨床決策流程，BINDS采用了兩階段策略。第一階段僅輸入超聲或鉬靶進行初步評估，若系統判定預測結果處于“不確定”區間，則進入第二階段，加入高成本但更精準的MRI數據進行終極判定，以全切片病理圖像（WSIs）作為金標準來輔助訓練。
如此一來，BINDS能夠學習到放射學影像中的不規則形狀與病理學上的浸潤性導管癌（IDC）之間的內在聯系。 實驗證明，這種對齊機制將非IDC亞型的診斷敏感性從0.599顯著提升至0.723。
在內部測試集中，兩階段診斷的AUROC達到了0.973，顯著優于超聲單模態（0.912）或兩模態組合（0.932）的表現。在讀片對比研究中，多模態BINDS的準確率（0.933）超過了初級放射科醫師（0.894）。
通過BINDS的精準輔助，放射科醫師可以顯著降低對良性病變的活檢建議比例，最高降幅達32.4%，這不僅減輕了患者的痛苦，也大幅節省了醫療資源。兩階段診斷模式確保了昂貴的MRI檢查僅用于“疑難雜癥”，實現了成本效益的最大化。
總的來說，這項研究展示了多模態BINDS系統在乳腺癌無創診斷中的應用潛力，有望用于輔助活檢決策優化、提升篩查和診斷效率，推動乳腺癌診療的精準化。
歡迎大家關注我們在小宇宙上的播客欄目——藥研片語，
歡迎大家前去收聽并與我們交流~
參考資料：
[1]Li, Y., Zhang, J., Chen, H. et al. A deep learning system for non-invasive breast cancer diagnosis with multimodal data. Nat. Biomed. Eng (2026). https://doi.org/10.1038/s41551-026-01654-2
本文作者丨代絲雨
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
