综述：人工智能作为乳腺癌治疗支持的现状与展望

这篇综述系统阐述了人工智能（AI）在乳腺癌（BC）诊疗中的应用进展，涵盖手术、放疗（RT）、系统治疗及支持治疗领域。作者团队指出AI在放疗靶区勾画（OARC/TV）和在线自适应放疗（online-adaptive RT）中已实现临床转化，而在新辅助治疗（NAC）后病理完全缓解（pCR）预测、术中切缘评估等领域仍需验证。特别强调需警惕算法偏见（如历史偏倚、测量偏倚），并提倡多学科协作开发可解释模型（如联邦学习）。

　　

人工智能与乳腺癌手术

术前规划

AI在术前咨询中展现出双重潜力：神经网络（NN）模型预测新辅助化疗后病理完全缓解（pCR）的特异性仅65.2%，而基于PET/CT的深度学习（DL）模型联合人工评估可将腋窝淋巴结转移检测灵敏度提升10%。值得注意的是，ChatGPT 3.5在乳房重建建议中表现逊于专业指南，但AI血管成像分析能节省放射科医师2-3小时工作时间。BreastGAN工具生成的术后模拟图像与真实结果几乎无法区分，相关CINDERELLA试验正在验证其临床价值。

术中应用

术中切缘评估是AI技术攻坚重点：超声引导AI模型灵敏度达96%（特异性76%），而紫外荧光扫描结合DL技术虽实现100%灵敏度/87.5%特异性，但受限于设备普及度。现有证据表明，AI辅助的标本钼靶评估准确性与人工判读相当。

术后管理

神经网络（NN）预测腹部皮瓣重建术后并发症的准确率达81%，机器学习（ML）模型对假体感染风险的预警精度达84%。AI还能预测门诊乳腺癌手术患者的阿片类药物需求（准确率约70%），并识别神经病理性疼痛风险因素。

人工智能与放射治疗

决策支持

神经网络（NN）在SEER数据库分析中超越传统Cox回归，能识别HR⁺/HER2^- T1/2N1M0患者从术后放疗的获益人群。GPT-4在美国放疗学会考试中正确率63%，但在复杂病例决策排名（4.3）仍逊于临床专家（3.3）。

治疗规划

深度学习（DL）自动勾画器官风险（OARC）仅需1.5分钟，31中心研究证实其将靶区（TV）勾画一致性提升19%。AI生成的乳腺调强放疗（IMRT）计划在盲评中95%达标，优于人工计划的90%。Radiation Planning Assistant项目正将DL技术推广至资源匮乏地区。

治疗实施

深度学习（DL）模型通过胸片预测深呼吸屏气（DIBH）放疗获益者的AUC达0.86。表面引导放疗（SGRT）的ROI定义经AI优化后耗时从120秒缩短至1.2秒。锥形束CT（CBCT）图像经生成对抗网络（GAN）增强后，可实现MR-LINAC引导下的精准剂量计算。

人工智能与系统治疗

决策辅助

Watson肿瘤系统（WFO）对早期/晚期乳腺癌治疗建议的符合率分别为80.2%和50.5%。而ChatGPT在MDT讨论中仅16%建议与专家一致，且错误将HER2 1+/2+（FISH阴性）归类为需抗体治疗。

疗效预测

基于全切片图像（WSI）的IMPRESS模型在TNBC中预测pCR的AUC达0.87。巴西研究显示，AI整合临床参数可83.3%准确预测pCR，95.6%预测局部复发。但近期meta分析警示此类研究可能存在偏倚风险。

支持治疗

埃及随机试验证实ChemoFreeBot聊天机器人显著改善化疗患者自我管理能力。ChatGPT对治疗副作用的解释较Google更易理解，但缺乏参考文献支持可能引发误导。

临床转化挑战

FDA 510(k)途径批准的AI工具仍需警惕六类核心偏倚：历史偏倚（legacy数据不平等）、表征偏倚（训练集缺乏多样性）、抽样偏倚（非随机样本）、遗漏变量偏倚（忽略关键临床因素）、测量偏倚（影像协议差异）和标注偏倚（主观病理判读）。解决方案包括采用多重插补处理缺失数据、公平感知正则化算法，以及建立临床-数据科学联合监测团队。

未来展望

当前AI仅在放疗自动化领域达成临床级应用，而系统治疗决策、手术降阶梯等场景仍需前瞻性验证。通过联邦学习实现多中心数据协作，结合可解释AI（XAI）技术，将是实现精准化、公平性乳腺癌诊疗的关键路径。