基于红外热成像与人工智能的乳腺癌腋窝淋巴结转移可穿戴筛查系统研发与多中心验证

本研究针对乳腺癌腋窝淋巴结(ALN)转移筛查敏感性低、可及性差的临床痛点，开发了基于深度学习的人工智能红外热成像(AI-IRT)系统。通过460例内部队列和80例外部队列验证，该系统在二元分类中取得AUC 0.9424（灵敏度0.8958，特异度0.8222），三分类AUC 0.8936，显著优于超声检查。该便携设备为ALN评估提供了无辐射、低成本的新方案，尤其适用于资源有限地区。

　　

乳腺癌作为全球女性最高发的恶性肿瘤，其预后与腋窝淋巴结(ALN)转移状态密切相关。当癌细胞局限于乳腺时5年生存率可达98.8%，但出现区域淋巴结转移时会骤降至85.8%。目前临床依赖超声、PET-CT等影像学评估ALN，但存在灵敏度低（超声仅54.17%）、辐射暴露、设备依赖性强等问题，全球超半数人口缺乏筛查可及性。更棘手的是，隐匿性乳腺癌(OBC)患者往往在淋巴结转移后才被发现，传统影像常漏诊。这些瓶颈催生了对新型筛查技术的迫切需求。

中国医学科学院北京协和医院团队创新性地将红外热成像(IRT)与深度学习结合，开发了可穿戴AI-IRT系统。该系统通过捕捉肿瘤血管网络的热扩散特征，能同步评估乳腺和ALN状态。研究采用前瞻性多中心设计，内部队列（协和医院460例）用于模型训练验证，外部队列（北京隆福医院80例）独立测试。关键技术包括：1）使用预训练ResNet18（二元分类）和ResNet152（三分类）架构；2）构建包含540例患者的标准化图像数据库（256×256像素中心裁剪）；3）采用梯度加权类激活映射(Grad-CAM)实现模型可解释性分析。

【模型性能】
在二元分类（转移与否）任务中，系统内部验证AUC达0.9424，灵敏度0.8958优于超声（0.5417），且保持82.22%特异度。外部验证AUC 0.8812显示良好泛化性。三分类（0/1-3/≥4个转移淋巴结）任务中，模型AUC 0.8936，准确率72.46%。典型案例显示，该系统成功识别出超声和PET-CT均未发现的OBC患者淋巴结转移灶。

【技术突破】
研究团队通过t-SNE可视化证实模型能清晰分离不同转移状态的样本簇。Grad-CAM显示模型注意力集中于腋窝区域，但在假阳性病例中会出现焦点偏移。决策曲线分析(DCA)证实，当阈值概率在0.1-0.9区间时，采用AI-IRT评估的临床净收益显著高于"全处理"或"全不处理"策略。

【临床价值】
该研究首次证明AI-IRT系统可作为ALN评估的可靠辅助工具：1）为ALN清扫术决策提供参考，避免过度治疗；2）在术后监测中替代放射学检查；3）特别适用于资源匮乏地区的初筛。局限性在于三分类模型在外部验证集性能下降（AUC 0.7714），且未评估术后解剖结构改变对检测的影响。

这项发表于《Breast Cancer Research》的成果，标志着无创ALN筛查技术取得重要突破。未来通过扩大样本多样性、整合临床病理特征，有望进一步提升模型精度，推动乳腺癌精准诊疗体系的革新。