三阴性乳腺癌（TNBC）是一种侵袭性乳腺癌亚型，具有独特的组织病理学特征、异质性和较差的预后，且现有治疗方案有限。人工智能（AI）、机器学习（ML）、深度学习（DL）和放射组学从根本上提高了TNBC在诊断、预后和治疗方面的准确性。近年来，AI在TNBC领域的进展包括：用于新辅助化疗（NAC）疗效预测的Transformer-图卷积模型NACNet（准确率90%，敏感度96%，AUC 0.82），以及整合超声和临床数据、实现AUC为0.924（训练集）和0.875（测试集）的纵向深度学习放射组学模型。混合CNN-Bi-LSTM-EfficientNet乳腺X线摄影模型的准确率达到99.2%，而基于ConvNeXtBase的超声模型在TNBC亚型分类中准确率达到89%，F1评分为0.81。AI还与纳米技术相结合，用于开发智能药物递送系统、降低毒性、预测耐药性，并整合肿瘤微环境、免疫生物标志物和放射组学以实现个性化治疗。AI影像模型在TNBC诊断和分型方面显示出卓越的准确性，AUC值高达0.97。在此背景下，基于全切片组织病理图像和放射组学的深度学习模型在预测新辅助治疗反应方面的AUC值高达0.96。AI衍生的免疫浸润细胞（IIC）特征、放射组学衍生的组学模型以及空间肿瘤微环境（sTME）特征已被证明可用于无病生存期（DFS）和总生存期（OS）的预后评估。多种AI预后模型，包括基于AI的TLS-TB指数列线图、临床-放射组学特征以及Digi-sTILs评分，其C指数值介于0.65至0.76之间，支持中等至较强的预后分类能力。与传统TNM分期单独使用相比，将AI衍生的免疫特征、肿瘤微环境和放射组学与临床参数相结合，有助于个性化制定风险分层、预后预测和治疗方案选择，以管理TNBC。然而，由于训练数据集的差异和TNBC的生物学异质性，AI衍生模型的泛化能力仍需持续验证，这对其实施和临床适用性构成了挑战。因此，多中心验证和前瞻性临床试验将是当务之急，以便将AI全面整合为精准肿瘤学和TNBC个性化管理中的一项标准工具。
关键词： 三阴性乳腺癌， 人工智能， 机器学习， 深度学习， 放射组学， 影像， 预后， 治疗反应预测。
