Li J, Jiang Z. Artificial intelligence in breast cancer:applications and advancements. Cancer Biol Med. 2026; 23: 363-373. doi:10.20892/j.issn.2095-3941.2025.0704

医疗模型的迭代与AI技术的演变

作者在文中系统梳理了人工智能在医疗领域的技术演进路径。从早期依赖个人经验的判断，到如今能够整合多组学数据的大模型应用，AI在乳腺癌管理中的角色不断深化，其发展脉络大致可以分为四个阶段：

图1：AI辅助乳腺癌管理的核心技术突破时间线

经验医学时代（2010年以前）：乳腺癌的诊断与治疗主要依赖体格检查和基础影像学技术，临床决策很大程度上受限于个人经验和主观解读，误诊率较高。

传统机器学习时代（2010年—2015年）：临床实践开始以随机对照试验为依据的诊疗指南为依托，数据处理仍需人工操作，AI仅用于基础的建模任务。

深度学习时代（2016年—2020年）：分子分型开始指导乳腺癌个体化治疗，基因检测数据的快速增长为AI的发展提供了土壤。随着数据集的不断扩大和计算能力的持续提升，深度学习技术在这一时期取得了重大突破。

大模型与泛化时代（21世纪20年代至今）：多组学数据整合的需求日益迫切，Transformer、联邦学习等新兴技术日趋成熟，基础模型与大型语言模型使得多模态数据的处理更加高效，为乳腺癌的精准管理打开了新的可能。

AI在乳腺癌诊疗中的应用现状

乳腺影像是其中发展最为成熟的领域，AI已广泛应用于筛查、病变特征描述及分期评估，有效提升诊断的准确性与效率。研究显示，AI辅助钼靶筛查可提高病灶检出率，为基层医院加强筛查能力提供了可行路径。在MRI领域，AI能够整合多参数信息提升诊断精度、减少不必要的活检，同时在新辅助治疗阶段助力疗效预测与个体化决策。

在乳腺病理领域，数字病理与AI的深度融合正在推动智能病理系统的发展。AI模型可自动完成肿瘤分级、分型及靶点检测等关键任务；在肿瘤微环境分析中，借助图神经网络与空间转录组技术，AI能够量化免疫细胞密度、空间分布及其与肿瘤细胞的相互作用。更进一步，AI整合全切片图像特征与基因组、临床数据，构建多维度预测模型，显著拓展了病理学的临床价值。

智能决策支持系统将临床指南与真实世界数据相结合，为医生提供个性化治疗建议与风险评估。WFO是全球首个乳腺癌治疗决策AI系统，但其在中国人群中的适用性有限，与医生决策的一致性仅为56%。相比之下，由CSCO与国内多家医院联合开发的CSCO AI，基于80,346例中国乳腺癌患者数据训练，以CSCO指南为核心，同时兼顾NCCN与ESMO指南，制定符合本地药物可及性的优先推荐。经过4个阶段的临床验证，截至2025年，CSCO AI已落地全国30个省市的500余家医院，将平均决策时间从30分钟缩短至5分钟，并可通过多维数据建模预测复发风险与不良反应，提升决策的安全性与有效性。

图2：CSCO AI、医生、基于指南的医生决策的一致性

在药物研发领域，AI正深度融入靶点识别、虚拟筛选与分子设计等环节。AI可快速从海量生物数据中识别潜在靶点，缩短研究周期，为难治性肿瘤提供新方向；在虚拟筛选中，AI显著减少候选化合物数量，并通过分子对接模型与活性预测算法降低研发成本。数据显示，AI可将药物开发整体成功率从5%~10%提升至9%~18%，一期临床试验成功率可达80%~90%，二期达40%，试验周期缩短50%~60%，其临床转化价值已逐步显现。

AI实施的挑战及应对策略

AI在乳腺癌诊疗中的价值虽已得到越来越多验证，但其临床落地仍面临诸多挑战。作者在文中系统梳理了当前的主要问题及应对思路：

数据标准化与质量控制：数据质量直接影响AI决策的准确性与可靠性。当前主要问题包括：①数据格式不统一，限制模型在不同设备间的泛化能力；②基层医院关键临床信息缺失，影响AI生成全面治疗建议；③跨机构数据共享受限，多中心模型训练难以推进。对此，作者建议制定统一数据标准、实施双重质量控制，并引入隐私保护技术。

模型泛化能力和临床适用性：AI模型能否适应不同医疗环境与患者群体，直接决定其实际价值。目前面临三大挑战：①多数模型基于三级医院数据训练，在基层场景中表现下降；②模型更新周期与指南修订频率之间存在时间差，导致AI系统难以及时纳入最新的治疗建议；③罕见亚型或多线耐药患者的数据稀缺，模型对复杂病例的指南符合率明显偏低。针对这些问题，作者提出扩大数据来源、建立指南与算法间的实时联动机制、建立复杂病例数据库等应对策略。

临床可及性和接受度：AI在临床推广中仍面临门槛较高的困境：①基层医生缺乏充分的操作与解读培训；②部分医生对AI信任度有限，担心系统机械遵循指南而忽略患者个体差异；③硬件要求也制约了AI的广泛部署。作者建议建立分级培训体系、开发智能解读模块、构建人机协作决策模型，同时加强政策与基础设施支持。

伦理与法律责任： AI应用的合规性与责任界定是确保其安全落地的关键。当前突出问题包括：①AI建议所致医疗问题的责任归属不清；②算法“黑箱”降低了决策透明度，既限制了医生对建议的评估能力，也影响患者的知情同意权；③基于城市数据训练的模型在农村患者中可能存在公平性风险。对此，未来需在法规层面明确责任归属，提升算法可解释性，并整合多地域数据以保障公平性。

人工智能的未来发展方向

多模态数据整合与多任务学习：传统AI模型多依赖单一模态数据，难以全面捕捉乳腺癌的肿瘤异质性与个体差异。当前，整合多组学数据已成为构建精准医学AI模型的关键方向，国内多项研究已在这一领域取得突破，显著提升了预后模型的准确性。与此同时，多任务学习通过共享表征，使单一模型能够同时完成多项任务，有效降低硬件消耗与成本，提升了临床可及性。

人机协作的MDT模式：AI有望作为MDT团队的核心辅助成员，助力优化流程与治疗标准化。基于CSCO AI构建的乳腺癌数据库，为识别区域诊疗差异、完善MDT方案与临床指南提供了数据支撑。远程MDT模式可以利用“本地数据上传—AI辅助分析—专家审核优化”的协作流程，为基层医院资源短缺问题提供了可行方案。结合医疗云计算技术，还可实现数据整合，降低维护成本，推动区域及国家层面的协同发展。

从治疗延伸至全周期健康管理：未来，AI有望覆盖乳腺癌管理的全流程，从预防、筛查到诊断、治疗、康复，形成一体化的智能健康管理系统。在预防层面，AI整合遗传背景与生活方式等数据，构建个体化风险预测模型，为高危人群制定精准干预策略。在康复层面，AI通过可穿戴设备持续监测术后恢复指标，结合临床随访信息生成个性化康复计划，实现动态监测与精准管理。

作者在综述中系统梳理了AI在乳腺癌领域的研究进展与临床实践现状。文章指出，AI在乳腺癌诊疗中的应用已进入从技术探索向临床转化的关键阶段，其价值在智能影像诊断、数字病理、治疗决策优化及预后预测等多个领域得到了充分验证。随着技术的不断成熟与临床证据的持续积累，AI有望覆盖乳腺癌管理的全周期，形成一体化智能健康管理体系。从长远来看，AI将推动乳腺癌诊疗模式从标准化迈向真正的个体化与智能化，在降低发病率、改善生存率、提升生活质量等方面发挥重要作用。

江泽飞 教授

中国人民解放军总医院