编辑推荐：
本文是系统性综述，通过荟萃分析评估了超声成像结合AI算法预测乳腺癌分子亚型的诊断准确性。其核心发现是，该技术具有较高的敏感性和特异性（分别为0.89和0.82），AUC达0.91，展现了良好的临床应用前景，可为术前制定个性化治疗方案、减少不必要活检提供有效辅助。综述也指出了现有研究在异质性、模型可解释性（XAI）及外部验证方面的局限性，并为未来高质量研究指明了方向。
引言：乳腺癌分型之战的新助手
在全球女性恶性肿瘤中，乳腺癌发病率高居第二位，精准的治疗离不开对肿瘤“身份”的鉴定。临床上，乳腺癌通常根据雌激素受体（ER）、孕激素受体（PR）、人表皮生长因子受体2（HER2）和Ki-67的表达水平，被分为四种主要的分子亚型：Luminal A型、Luminal B型、HER2阳性型以及三阴性乳腺癌（TNBC）。不同的亚型具有截然不同的生物学行为、转移倾向和治疗反应。例如，Luminal型对内分泌治疗敏感，而HER2阳性型和TNBC则更具侵袭性，但对新辅助化疗可能更敏感。因此，术前或早期明确分子亚型，对于制定精准的个体化治疗方案、改善患者预后至关重要。
目前，穿刺活检（CNB）后进行免疫组化（IHC）染色是确定分子亚型的“金标准”。但这种方法有创、耗时，且存在取样误差。有没有一种无创、高效的方法能提前“窥探”肿瘤的分子特征呢？超声（US）作为一线筛查手段，以其实时、安全、无辐射、成本低的优点，成为了理想候选。不同分子亚型的乳腺癌在超声图像上确实有其特征：Luminal癌多形状不规则、后方有衰减；HER2阳性型可能伴有后方微钙化和混合回声模式；而TNBC则可能表现出类似良性肿瘤的特征，如形态规则、边界光滑等。然而，超声诊断高度依赖医师经验，存在观察者内和观察者间差异，图像伪影也增加了准确鉴别的难度。
近年来，人工智能（AI）在医学影像领域飞速发展。当AI算法与乳腺超声结合，能够通过自动化的图像处理、分割和特征提取，克服人眼观察的局限性，提供更详尽、客观的信息，为预测乳腺癌分子亚型带来了新希望。
方法与材料：如何筛选与评估证据？
为了系统评估AI超声预测乳腺癌分子亚型的准确性与有效性，研究者们进行了一项严谨的Meta分析。他们系统检索了截至2026年2月的PubMed、Embase、Web of Science和Cochrane Library数据库，最终纳入了13项研究，共涉及13615名乳腺癌患者。
纳入的研究需满足特定标准，如患者经病理确诊、使用AI算法基于超声图像预测分子亚型、并提供灵敏度、特异性等关键统计指标。两名评估者独立提取数据，并使用诊断准确性研究质量评估工具（QUADAS-2）对研究质量进行评价。大多数研究在“患者选择”、“参考标准”和“流程与时机”领域表现出低偏倚风险，整体方法学质量较高。
结果：AI超声表现如何？
综合分析给出了令人鼓舞的结果。基于AI的超声模型预测乳腺癌分子亚型的汇总灵敏度为0.89，特异性为0.82，诊断比值比（DOR）为32.10。其综合性能的量化指标——受试者工作特征曲线下面积（AUC）达到了0.91，这表明该技术具有优秀的整体诊断效能。
具体到森林图中，各项研究的敏感性和特异性虽有差异，但合并后的点估计值显示出高准确性。作为对比，研究者也分析了四项由放射科医师（而非AI）进行诊断的研究，其汇总灵敏度虽也为0.89，但特异性较低（0.68），AUC为0.74，提示AI模型在特异性上可能更具优势。
然而，研究间存在较高的异质性。通过亚组分析和Meta回归分析发现，算法类型是影响诊断准确性的关键因素。其中，深度学习（DL）算法表现出比机器学习（ML）算法更高的灵敏度（0.95 vs 0.84）。此外，研究设计（前瞻性与回顾性）、数据来源（单中心与多中心）等对结果的影响不显著。分析未发现明显的发表偏倚。
讨论：优势、挑战与未来方向
本Meta分析证实，基于AI的超声成像在预测乳腺癌分子亚型方面具有良好的性能和应用前景。这种无创方法可以作为CNB的有效补充，有助于术前制定治疗计划，并可能减少不必要的活检。
AI的优势在于其客观性和处理复杂特征的能力。例如，有研究开发的组装卷积神经网络（ACNN）模型，在术前预测乳腺癌四种分子亚型的诊断效能甚至优于CNB。另一项研究结合乳腺X线摄影和超声的多模态深度学习模型（MDL-IIA），在区分Luminal与非Luminal亚型上也表现出色。更有研究发现，当放射科医师（尤其是初级医师）在AI模型辅助下进行诊断时，其诊断性能能得到提升，体现了“AI增强”而非“AI替代”的临床价值。
但通往临床应用的道路仍充满挑战。首先，是模型“黑箱”问题。深度学习模型强大的学习能力背后是决策过程的不透明，这阻碍了临床医生的理解和信任。可喜的是，在纳入的研究中，多数（11/16）尝试了可解释AI（XAI）方法，如提供热图、Shapley图等，以揭示模型的关注区域，这是推动临床转化的重要一步。
其次，是数据的融合与模型的泛化。未来的高性能AI系统不会只依赖单一数据流。本分析中，有九项研究采用了多模态方法，例如结合常规超声与超声造影（CEUS）的影像组学模型，其诊断性能（AUC 0.953）优于单模态模型。这提示，整合超声、钼靶、MRI甚至临床信息，构建多维度肿瘤图谱，是未来的重要方向。
此外，研究局限性也不容忽视。纳入的研究多为回顾性设计，且仅少数（5/16）进行了外部验证，这限制了结论在真实世界中的普适性。未来的研究需要向大规模、前瞻性、多中心、并包含严谨外部验证的方向努力，同时采用标准化的成像协议和报告规范。
结论
总而言之，超声影像与AI算法的结合，为无创预测乳腺癌分子亚型提供了强有力的工具，展现出高准确性和临床应用潜力。尽管面临模型可解释性、研究异质性和泛化能力等挑战，但随着可解释AI技术的发展、多模态融合策略的优化以及更高质量前瞻性研究的开展，这项技术有望在未来乳腺癌的精准诊疗体系中扮演关键角色，最终使患者受益。
