《2018年全球癌症统计数据》显示乳腺癌是全球绝大多数国家女性最常见癌症，是103个国家的女性癌症患者主要死亡原因 ^[1] 。在中国女性恶性肿瘤中，乳腺癌发病率位居首位，是年龄低于45岁的年轻女性死亡的主要原因 ^[2] 。早期发现乳腺癌是提高生存质量，降低死亡率的关键。目前乳腺癌检查方法主要是超声、乳腺X线检查和乳腺MRI。影像科医生以视觉方式阅览医学图像，发现疾病并做出报告。但医生的主观性以及人眼视力产生的误差及视觉疲劳可能会导致误诊、漏诊。并且影像科从传统胶片到全面数字化PACS阅片系统应用的转变，导致影像科医生的工作量急剧增加。因此需要提高乳腺癌诊断的准确性以及医生的诊断效率。近年来，随着人工智能（artificial intelligence，AI）硬件的突破和深度学习算法的迭代更新，AI在医疗健康领域广泛应用，如医学影像、健康管理、疾病预测、医院管理、分诊导诊等。本文就AI在乳腺影像领域的应用现状进行综述。

AI是一门广泛的科学学科，以哲学、数学和计算机科学为基础，旨在理解和开发显示智能特性，几乎渗透到现代生活的方方面面，包括象棋游戏、语音识别、无人驾驶、脸部识别等。AI包括机器学习（machine learning，ML），深度学习（deep learning，DL）等 ^[3] 。DL是AI的一个重要分支，属于ML的子集 ^[4] 。DL的优点是，它不需要手工提取特征，可自动从数据中提取特征。其中以卷积神经网络（convolutional neural network，CNN）为代表。

现在，影像学已从主观感知技能转向客观科学。计算机可以提取人类眼睛看不见的组织的精细信息，并快速而准确地处理这些数据 ^[5] 。AI能够使用大型复杂数据集进行高级学习，特别是DL，在医学影像领域的应用正在迅速发展。

近年来，AI在医学影像中的应用越来越广泛，包括X线胸片肺结核筛查 ^[6] 、骨龄分析 ^[7] ；超声甲状腺结节的良恶性分类 ^[8] ，肝脏局灶性病变的良恶性分类 ^[9] ；CT肺结节筛查 ^[10] 、脑出血检测 ^[11] 以及MRI脑肿瘤的分类 ^[12] 、脑胶质瘤的分级 ^[13] 等。AI目前在乳腺影像的研究多集中在病灶检出、良恶性分类、分子分型预测、风险评估以及疗效预测等。

1 密度评估

乳腺密度是影响乳腺癌发病的危险因素之一，客观分析乳腺密度有助于临床评估乳腺疾病风险以及预后。Mohamed等 ^[14] 对2005-2016年接受乳腺X线检查的1427位女性的钼靶图像进行回顾性分析，在医生做出腺体分类的乳腺X线图像数据集上（由7925张纤维腺体型乳腺X线图像和14075张不均匀致密型乳腺X线图像构成）构建CNN模型实现纤维腺体型、不均匀致密型乳腺腺体的自动分类，ROC曲线下面积（areaunder thecurve，AUC）值为0.9421。自动评估乳腺密度可以避免由于医师主观造成的不一致性，从而更好地预测发生乳腺癌的风险。

由于乳腺癌影像表现的复杂性以及影像科医师的主观判断，乳腺疾病的影像学检查会出现漏诊。Alejandro等 ^[15] 比较14名影像科医生在诊断240位女性的乳腺X线图像（使用AI和不使用AI）的表现得出结论，在AI帮助下的ROC曲线的AUC为0.89，较影像科医生独立诊断有所增加，并且AI帮助下的敏感度、特异度也有所增加。同时，Samala等 ^[16] 将在乳腺X线图像数据集上预训练获得的CNN模型用于在数字化乳腺断层摄影（digitalbreast tomosynthesis，DBT）上检测乳腺肿块。QI等 ^[17] 构建了由专业超声医师和乳腺外科医师标注的乳腺超声图像数据集，并在此数据集上利用CNN构建新的模型实现在乳腺超声图像中识别恶性肿块。Zhou等 ^[18] 通过对2013年3月-2016年12月接受乳腺动态增强磁共振成像（dynamic contrastenhanced MRI，DCE-MRI）检查的1537位女性的图像回顾性分析，并在此基础上构建CNN模型实现乳腺病灶的检出，模型诊断效能与影像科医生诊断效能相当，模型敏感度为90%，特异度为69%，AUC值达0.86。综上所述，AI可以实现自动识别乳腺影像中的异常表现，帮助医生在怀疑病灶的地方多观察，降低影像科医生的漏诊率。

AI能够加快影像描述和诊断的速度，提高病灶的检出效率 ^[19] 。Topol等 ^[20] 研究表明DL算法解析扫描图像的速度比影像科医生将近快150倍（1.2svs.177s）。Becker等 ^[21] 基于445张超声图像数据集上进行预训练获得CNN模型，然后在192张超声图像数据集上评估模型分类性能，同时由三名影像科医生诊断192张超声图像。结果显示利用CNN模型诊断每张超声图像耗时0.94s，而3位经验由高到低的影像科医生做出诊断分别用时8.8s、6.9s、7.8s。综上所述，DL算法可以缩短影像科医生的诊断时间，并且进一步帮助医生提高工作效率，能够将医生从屏幕前解放出来，从而有更多的时间从事创新性的研究。

钙化是乳腺X线摄影的常见表现，准确鉴别良、恶性钙化征象对乳腺癌的诊断以及治疗有重要意义，Wang等 ^[22] 研究表明DL模型不仅可以准确分割钙化灶，而且可以很好的鉴别良、恶性钙化，这对于以钙化为唯一表现的乳腺X线图像有特殊意义。

Chougrad等 ^[23] 建立一种CNN模型用于鉴别乳腺X线摄影图像中的良、恶性肿块病变，在独立数据集（mammographic image analysis society，MIAS）中测试分类符合率达到了98.23%，AUC达0.99。Han等 ^[24] 基于4254例良性肿块和3154例恶性肿块组成的乳腺超声图像数据集上训练GoogleNet模型对乳腺肿块进行良恶性分类，诊断敏感度为86%，特异度为96%，符合率达到了90%。Huang等 ^[25] 构建CNN模型在乳腺超声图像的基础上识别乳腺病变所在区域，并且进一步对病灶进行乳腺影像报告和数据系统（breast imaging reporting and data system，BI-RADS）分级，在2238例乳腺肿块超声图像上进行测试最终诊断BI-RADS3类、 BI-RADS4a类、BI-RADS4b类、 BI-RADS4c类以及BI-RADS5类的符合率分别达到99.8%、94%、73.4%、92.2%及87.6%。Herent等 ^[26] 构建DL模型在MRI的基础上对乳腺肿块进行良恶性诊断，并进一步将其分为正常乳腺、良性病变、浸润性导管癌及其他恶性病变四种组织学分型，AUC为0.816。综上所述，AI能够在乳腺影像上实现良、恶性分类，并且可以进一步实现疾病精准分级分期，为临床治疗方案的选择提供更加精准的指导。