乳腺癌的早期准确诊断对于最大程度减少穿刺活检和改善患者预后至关重要，这需要有效整合多模态信息。

2026年5月19日，上海科技大学沈定刚、‌昆明医科大学Li Zhenhui、上海交通大学柯晶、杭州市第一人民医院丁忠祥、贵州大学王荣品共同通讯在Nature Biomedical Engineering在线发表题为“A deep learning system for non-invasive breast cancer diagnosis with multimodal data”的研究论文。该研究开发了名为BINDS的多模态AI诊断系统。该系统基于27,048例多中心数据（含8家国内医院和7个公共数据集）训练和验证，覆盖超声、钼靶、MRI及病理全切片图像。

BINDS提出了“影像-病理特征对齐”机制，利用病理全切片图像引导影像编码器提取更具判别力的影像特征，显著提升了亚型分类性能（尤其是非浸润性导管癌等少见亚型的敏感性）。系统还通过Transformer的掩码自注意力机制灵活支持任意模态组合输入，并生成可视化热力图以增强可解释性。

乳腺癌是全球女性中最常被诊断的癌症和癌症相关死亡的主要原因。全球乳腺癌发病率持续上升，2020年超过230万例，预计到2040年将新增约300万例。乳腺癌的早期精准诊断对于改善患者预后至关重要。机器学习有潜力提高无创乳腺癌诊断的准确性和效率。随着深度学习的快速发展，人工神经网络已成为癌症风险评估和癌症亚型分类的强大工具。

尽管取得了令人鼓舞的结果，但单模态人工智能系统的诊断性能仍受限于各影像模态固有的局限性。例如，超声对于检测非浸润性乳腺癌亚型（如导管原位癌）的敏感性低于乳腺X线摄影。同样，乳腺X线摄影在乳腺致密女性中的有效性会降低。虽然MRI具有高灵敏度，但其高成本和长检查时间限制了其在常规筛查中的应用。

BINDS的临床工作流程、开发和评估（图源自Nature Biomedical Engineering ）

在该研究中，研究人员介绍了一种乳腺癌智能无创诊断系统（BINDS），该系统整合多模态医学影像数据，用于乳腺癌风险评估和亚型分类。BINDS采用两阶段诊断方法以匹配临床工作流程：首先使用超声和/或乳腺X线摄影进行初步评估，随后进行更全面的多模态诊断（纳入磁共振成像）。

此外，还提出了一种新的放射-病理对齐机制，以促进从放射影像中提取与病理相关的特征。BINDS使用来自8个中心和7个公共数据集的27,048名参与者的多样化数据集进行开发和验证。重要的是，BINDS在训练和验证期间支持灵活的输入模态组合。值得注意的是，BINDS达到了0.973的受试者工作特征曲线下面积，并且可以帮助放射科医生将良性病变的活检率降低高达32.4%。这些发现突显了BINDS通过在不同临床场景和资源环境下实现精确且适应性强的决策，从而推动乳腺癌诊断的潜力。

参考消息：https://www.nature.com/articles/s41551-026-01654-2