基于深度学习的乳腺癌新辅助化疗疗效影像预测研究综述.docVIP

基于深度学习的乳腺癌新辅助化疗疗效影像预测研究综述

乳腺癌是全球女性发病率最高的恶性肿瘤，2025年国际癌症研究机构（IARC）数据显示，全球年新发病例达260万例，其中约30%的局部进展期患者需接受新辅助化疗（NeoadjuvantChemotherapy,NAC）。NAC可缩小肿瘤体积、降低临床分期，为原本不可手术的患者创造根治性切除机会，同时能直接评估肿瘤对化疗药物的敏感性，为后续个体化治疗方案制定提供依据。然而临床实践中，约20%-40%的乳腺癌患者对NAC不敏感，不仅会错失最佳治疗时机，还可能承担不必要的化疗毒副作用，因此治疗前精准预测NAC疗效具有重要的临床价值。

医学影像作为乳腺癌诊疗过程中的常规检查手段，能够无创地反映肿瘤的形态、功能及异质性特征，是NAC疗效预测的重要数据来源。传统影像组学方法依赖人工设计的特征提取器，需先对肿瘤区域进行手动分割，再提取灰度、纹理、形状等定量特征，最后构建机器学习模型进行预测。这类方法存在特征泛化性差、人工交互成本高、易受观察者主观因素影响等局限性，难以满足大规模临床应用需求。近年来，深度学习技术凭借强大的端到端特征学习能力，无需人工定义特征，可直接从原始影像数据中挖掘高维隐含信息，在乳腺癌NAC疗效预测领域展现出显著的应用潜力，相关研究数量呈爆发式增长。

一、深度学习应用于NAC疗效预测的常用影像模态

不同影像模态能够提供肿瘤