本项目的核心目标是利用人工智能技术深度挖掘乳腺癌患者新辅助化疗（NAC）前后乳腺癌肿瘤核磁共振（MRI）影像的潜在特征，建立智能化、动态化的疗效评估体系，解决传统评估方法中存在的时效滞后性、主观依赖性及精准度不足等临床痛点。具体目标包括：

1.提升疗效评估精准度

通过AI算法（如深度学习、影像组学）解析化疗前后肿瘤的MRI影像特征（如体积变化、异质性、血流动力学参数），量化肿瘤退缩模式，构建客观、可重复的疗效预测模型，减少传统病理评估的滞后性（需术后病理验证）和影像医师经验差异的影响。

2.实现早期疗效动态预测

探索化疗周期中MRI影像的时序性变化规律，开发基于AI的动态响应预测工具，在治疗中期甚至早期识别潜在无效病例，为临床及时调整化疗方案或手术时机提供数据支持，避免无效治疗带来的副作用与经济负担。

3.挖掘影像生物标志物

结合临床病理数据（如分子分型、治疗方案），筛选与化疗敏感性相关的MRI影像组学特征，揭示肿瘤生物学行为与影像表型的关联，为个体化治疗策略制定提供新依据。

4.推动临床决策智能化转型

构建可解释性强、易整合至临床工作流的AI辅助决策系统，通过自动化生成量化评估报告，辅助医生优化治疗决策，最终改善患者预后与生存质量。

5.培养多学科交叉创新能力

通过医学影像分析、AI算法开发与临床验证的全流程实践，训练学生跨学科协作能力，促进“医工结合”思维在肿瘤精准医疗中的落地应用。 

本项目围绕“基于人工智能的核磁共振影像分析优化乳腺癌新辅助化疗疗效评估”的核心目标，设计以下具体研究内容，涵盖数据采集、算法开发、临床验证及转化应用全链条环节：

1.乳腺癌新辅助化疗患者多模态MRI影像数据库构建

1）数据采集与标注：

收集接受新辅助化疗的乳腺癌患者治疗前、中（如2~4周期）、后多时间点的多模态MRI影像数据（包括T1WI、T2WI、DWI、动态增强序列等），同步整合临床病理信息（分子分型、化疗方案、术后病理缓解分级等）。由影像科与肿瘤科医生联合标注肿瘤区域（ROI），记录肿瘤体积、强化模式、表观扩散系数（ADC值）等定量参数，构建高质量、标准化的影像-临床联合数据库。

2）数据预处理与特征提取：

开发自动化预处理流程（如去噪、配准、标准化），利用影像组学工具（如PyRadiomics）提取形态学、纹理、功能等多维度影像特征，建立特征池。

2.AI驱动的多模态MRI影像疗效评估模型开发

1）疗效预测模型构建：

基于深度学习（如3D CNN、Transformer）与影像组学特征，构建治疗前基线MRI预测化疗敏感性的分类模型（如病理完全缓解pCR vs. 非pCR）。融合时序MRI数据，设计动态网络（如LSTM、时间序列Transformer）量化治疗过程中肿瘤退缩轨迹，预测中期疗效及最终结局。

2）模型优化与解释性增强：

采用特征选择算法（LASSO、随机森林）筛选关键影像生物标志物，结合SHAP值、类激活图（CAM）等可解释性技术，揭示模型决策依据与影像特征-疗效关联机制。

3.临床验证与疗效评估体系优化

1）模型性能验证：

通过交叉验证、外部独立队列验证模型效能，对比AI预测结果与RECIST标准、术后病理评估的一致性，计算敏感度、特异度、AUC等指标。开发DCA（决策曲线分析）评估模型临床净获益，验证其辅助调整化疗方案的实际应用价值。

2）动态评估工具开发：

设计交互式可视化工具，实时展示治疗过程中肿瘤影像特征演变趋势（如体积缩小率、ADC值变化），辅助医生动态调整治疗策略。

4.影像-生物学关联机制探索

1）影像组学与分子表型关联分析：

将筛选出的影像生物标志物与肿瘤分子分型（如HER2、ER/PR、Ki-67）、基因表达谱进行相关性分析，探索影像特征反映的肿瘤微环境异质性。

2）治疗抵抗机制挖掘：

对AI模型判定的“无效响应”病例进行影像特征聚类分析，结合单细胞测序或多组学数据，揭示化疗耐药相关的潜在生物学通路。

5. 临床转化与多学科协作机制建设

1）AI辅助决策系统开发：

部署轻量化模型至医院影像归档系统（PACS），开发一键式疗效评估模块，输出结

结构化报告（如pCR概率、肿瘤退缩曲线）。

2）伦理与临床路径优化：

联合临床团队制定AI工具使用规范，设计前瞻性临床试验验证其对患者生存结局的影响，推动成果纳入乳腺癌新辅助治疗指南。

6. 学生创新能力培养模块

跨学科技能训练：

医学组：学习MRI影像判读、疗效评估标准与临床需求分析；

工科组：掌握医学图像处理、AI模型开发及可解释性技术；

联合实践：通过病例讨论会、算法-临床需求匹配工作坊，培养“以临床问题驱动技术优化”的科研思维。 

乳腺癌(Breast cancer)占女性癌症的1/3，具有独特的流行病学模式和显著的异质性,是导致妇女恶性肿瘤相关死亡的主要原因之一[1-2]。磁共振成像(magnetic resonance imaging,MRI)检查是目前乳腺癌诊断和预后判断的重要手段[3]。而随着AI的不断发展，深度学习算法也逐步应用到乳腺癌的研究中。新辅助化疗（Neoadjuvant chemotherapy,NAC）作为一种系统性治疗方法，主要目的是降期手术、降期保乳和体内药敏等，现已成为局部晚期乳腺癌的标准治疗方法。最近，NAC也已被用于可手术的肿瘤中，以使乳房和腋窝中的疾病降级，目的是促进乳房保护，对于肿瘤相对于乳房大小较大的女性，NAC可用于降低肿瘤分期[4]。2022年中国乳腺癌新辅助化疗专家共识推荐采用的主要影像学检查手段有超声、乳腺X线检查、乳腺磁共振成像(magnetic resonance imaging, MRI)及胸部计算机体层摄影(computed tomography, CT)等评估乳腺癌原发灶、区域淋巴结转移情况、常见转移部位(肝、肺)等基线和新辅助化疗后的变化，进而评估新辅助化疗疗效[5]。其中，MRI检查已经体现出了足够的优势。MRI可以提供更可靠的信息，通过高灵敏度测量NAC后的残留肿瘤大小来指导癌症手术[6] 乳腺癌的异质性是指乳腺癌在分子特征、组织学形态、基因表达、治疗反应及预后等方面存在的显著多样性，是治疗耐药和复发的重要原因。这种异质性也可能导致乳腺肿瘤对NAC的反应差异，特别是在具有相似临床特征的患者中（例如临床分期、分子亚型）[7]。而传统评估方法依赖影像医师经验判读与术后病理验证，存在时效滞后性、主观依赖性及精准度不足等局限，近年来，多模态磁共振成像（MRI）技术的进步与人工智能（AI）算法的突破，为动态、量化评估NAC疗效提供了新范式。AI除能很好地预测乳腺癌分子亚型、NAC疗效外，也能很好地预测常见预后指标（如乳腺癌的复发、淋巴结转移等）[8]。目前，最常应用于乳腺癌的机器学习算法 包括传统的逻辑回归、支持向量机算法、决策树、线性回归、Logistic回归、朴素贝叶斯模型等。随着机器算法的飞速发展，出现了更复杂的深度学习算法，如卷积神经网络（convolutional neural networks，CNN）、 生成网络、递归神经网络、转移学习和注意力机制等[1]。Jiao等[9]提出了一种在DCE-MRI中基于DCNN的乳腺区域自动分割和肿块检测方法, 以帮助医生准确，快速诊断乳腺肿块。 主要参考文献出处： [1]王春艳,徐京瑶,李相生.基于人工智能的乳腺癌异质性多模态MRI评价研究进展[J].中国医学影像学杂志,2025,33(02):210-214. [2]Xiong X, Zheng LW, Ding Y, Chen YF, Cai YW, Wang LP, Huang L, Liu CC, Shao ZM, Yu KD. Breast cancer: pathogenesis and treatments. Signal Transduct Target Ther. 2025 Feb 19;10(1):49. doi: 10.1038/s41392-024-02108-4. PMID: 39966355; PMCID: PMC11836418. [3]龚俊峰,王永杰,丁宇,等.动态对比增强磁共振成像联合人工智能预测乳腺癌新辅助化疗疗效的价值分析[J].中国医学装备,2024,21(04):55-59. [4] Moo TA, Sanford R, Dang C, Morrow M. Overview of Breast Cancer Therapy. PET Clin. 2018 Jul;13(3):339-354. doi: 10.1016/j.cpet.2018.02.006. PMID: 30100074; PMCID: PMC6092031. [5]胡从英,胡伟,赵爽,等.乳腺癌新辅助化疗疗效的影像学评估进展[J].放射学实践,2024,39(11):1537-1544.DOI:10.13609/j.cnki.1000-0313.2024.11.018. [6] Wang H, Mao X. Evaluation of the Efficacy of Neoadjuvant Chemotherapy for Breast Cancer. Drug Des Devel Ther. 2020 Jun 18;14:2423-2433. doi: 10.2147/DDDT.S253961. PMID: 32606609; PMCID: PMC7308147. [7] Shi Z, Huang X, Cheng Z, Xu Z, Lin H, Liu C, Chen X, Liu C, Liang C, Lu C, Cui Y, Han C, Qu J, Shen J, Liu Z. MRI-based Quantification of Intratumoral Heterogeneity for Predicting Treatment Response to Neoadjuvant Chemotherapy in Breast Cancer. Radiology. 2023 Jul;308(1):e222830. doi: 10.1148/radiol.222830. Erratum in: Radiology. 2023 Jul;308(1):e239021. doi: 10.1148/radiol.239021. PMID: 37432083. [8]王春艳,徐京瑶,李相生.基于人工智能的乳腺癌异质性多模态MRI评价研究进展[J].中国医学影像学杂志,2025,33(02):210-214. [9] Jiao H, Jiang X, Pang Z, Lin X, Huang Y, Li L. Deep Convolutional Neural Networks-Based Automatic Breast Segmentation and Mass Detection in DCE-MRI. Comput Math Methods Med. 2020 May 5;2020:2413706. doi: 10.1155/2020/2413706. PMID: 32454879; PMCID: PMC7232735.

1.本项目旨在突破传统静态评估方法，整合多时间点的多模态MRI影像（T1WI、T2WI、DWI等），结合时序性深度学习模型（如LSTM、时间序列Transformer），动态追踪乳腺癌新辅助化疗（NAC）过程中肿瘤的演变轨迹，探索影像表型背后的肿瘤微环境异质性，实现早期疗效预测与中期疗效动态评估并为化疗耐药机制研究提供新视角，较有新意。

2.本项目融合临床医学、医学影像学、人工智能等多学科，覆盖数据采集、算法开发、临床验证、转化应用全流程，形成“临床问题驱动技术优化”的闭环研究模式，较有特色 

1.技术路线

（1）多模态MRI影像数据库构建

1）数据采集与标注 2）数据预处理与特征提取

（2）AI驱动的疗效评估模型开发

1）预测模型构建 2）模型优化

（3）临床验证

2.拟解决的关键问题

传统评估方法的时效滞后性、主观依赖性高以及精准度不足

3.预期成果

预计发表核心期刊论文1-2篇 

2025.06-2025.10 查阅文献、技术学习与储备

2025.11-2026.03 数据采集、数据标注

2026.04-2026.09 基线模型构建、创新模型开发

2026.10-2027.01 模型优化、临床回溯验证

2027.02-2027.05 系统集成