上海科技大学沈定刚、云南省肿瘤医院李振辉教授等，研究开发了一款名为BINDS的多模态深度学习模型，用于乳腺癌的筛查和诊断，该系统可达曲线下面积0.973，可协助放射科医生减少32.4%的良性病变活检。（Nat Biomed Eng. 2026年5月19日在线版）

早期精准诊断对于改善乳腺癌患者预后至关重要。临床诊断工作通常始于非侵入性影像学检查，包括超声、乳房X线摄影和磁共振成像（MRI），并根据美国放射学会制定的BI-RADS系统对病变进行风险分层。其中，BI-RADS 4类病变的恶性概率为2%~95%，按照指南需接受穿刺活检。尽管活检是诊断金标准，但其伴随身体并发症、医疗成本增加以及过度治疗风险，尤其对于低风险病变患者。提高影像学诊断的准确性对于减少假阳性评估和不必要的侵入性操作意义重大。

深度学习技术在肿瘤风险评估和亚型分类中展现出潜力，但单模态AI系统受限于各影像模态的固有缺陷：超声对导管原位癌等非浸润性亚型不敏感，乳腺X线摄影在致密型乳腺中效果下降，而MRI虽灵敏度高但成本昂贵、耗时较长，不适合常规筛查。因此，临床实践中常联合使用超声和乳腺X线摄影进行初诊，MRI作为补充手段。

已有研究表明，整合多模态影像数据可显著提升诊断性能。然而，现有AI系统多面向固定输入模态设计，难以适应患者实际可用的影像模态差异。大规模多模态数据集的获取与训练也是一大挑战。亟需开发一种更加贴合临床实际、支持多阶段诊断且能灵活处理不完整模态数据的智能系统。

研究者开发了一种名为乳腺癌症智能非侵入性诊断系统（BINDS）的系统，旨在实现乳腺癌风险评估与病理亚型分类。该系统整合了临床最常用的三种放射影像模态——超声、乳腺X线摄影和MRI。研究者构建了迄今规模最大的乳腺癌多模态影像数据集，涵盖来自8家医疗中心和7个公共数据集的27 048名参与者，进行开发和验证。为适配临床环境，BINDS设计为支持超声、乳房X线摄影、磁共振的灵活组合输入，即使患者缺失某些模态，系统也能通过掩码自注意力机制聚焦可用特征，确保诊断不因数据缺失而中断。

BINDS支持灵活组合的输入模态，可在训练和验证时处理单模态、双模态或三模态数据，从而适应不同临床场景和资源条件。设计了与临床工作流相匹配的两阶段诊断范式，初诊阶段使用超声和/或乳腺X线摄影进行快速评估，对于预测不确定的病例，再引入MRI进行更全面的多模态诊断，这既优化了医疗资源利用，又保证了诊断精度。

BINDS提供可解释的注意力热图，帮助医生理解AI的决策依据。研究还提出了一种放射学-病理学对齐机制，通过将放射影像特征与全切片病理图像特征进行对齐，引导放射编码器提取更具病理相关性的表征，从而提升亚型分类性能。BINDS可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的内在练习，结果表明，这种对齐机制可将非浸润性导管癌亚型的诊断敏感性从0.599显著提升至0.723。

结果显示，内部测试集中，两阶段诊断的曲线下面积达0.973，显著优于超声单模态（0.912）或两模态组合（0.932）。在读片对比研究中，多模态BINDS的准确率（0.933）超过初级放射科医生（0.894）。

通过BINDS的辅助，放射科医生可显著降低对良性病变的活检建议比例，最高降幅达32.4%，不仅减轻患者痛苦，也节省了医疗资源。两阶段诊断模式确保了昂贵的MRI检查仅用于疑难病例，实现成本效益最大化。该研究显示，多模态BINDS系统整合超声、乳腺X线摄影和磁共振成像三种影像模态，显著提升了乳腺癌的诊断性能。读者研究表明，在AI辅助下，放射科医生的诊断准确性和活检决策均显著提升。BINDS显示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，推动乳腺癌诊疗精准化。

（编译 王宇）