《Journal of Cachexia, Sarcopenia and Muscle》：From Pixels to Prediction: Reviewing the Role of Artificial Intelligence in Body Composition Analysis
身体成分（BC）评估是一组包括脂肪、肌肉和骨骼在内的生物标志物，能够实现对个体在不同复杂程度（全身、组织、宏观和微观）层面组成的量化。近年来，由于BC对肿瘤性和非肿瘤性健康状况结局的影响，BC在医学领域获得了越来越多的关注。BC参数对于机会性筛查也具有重要价值，可为患者预防和健康管理提供益处。在非侵入性BC评估方法中，横断面成像技术如体层摄影（CT）和磁共振（MR）能够从因其他原因进行的检查中提供定量数据，这对于大规模健康预防具有重要辅助作用。近期研究强调了BC在个性化医学中的潜力，但耗时且重复性较差的手动分割、复杂的分析等问题限制了其常规临床应用。人工智能（AI）可通过简化和自动化从分割到预测的流程来解决这些问题（例如，用于肌少症评估的自动肌肉分割，以及在其他临床原因的CT检查期间进行BC的机会性评估）。本综述旨在总结BC与AI领域的最新进展，展示二者在改善健康状况管理（从诊断到个性化治疗）中的协同作用，同时讨论当前局限性和未来挑战。
1 引言
身体成分（BC）在分析多种病理状况中的重要性日益增加，涵盖非肿瘤性和肿瘤性疾病。了解个体体重的构成及其分布远比单纯知晓体重数值更具信息量，这涉及与激素和代谢调节等复杂通路相互作用的多种病理生理机制。事实上，测量不同类型脂肪组织、瘦体质量和骨骼组织的分布已被证明在代谢综合征、肥胖、糖尿病和心脏疾病等慢性复杂疾病的风险分层、预后判断和治疗监测中发挥关键作用。此外，BC在肿瘤疾病管理中的整合作用日益增强，为治疗选择和患者结局提供重要预后信息和整体评估。
BC评估方法多样，包括人体测量法、密度测量法和生物电阻抗分析等。然而，计算机体层摄影（CT）和磁共振成像（MRI）等成像技术因其分析组织和器官的能力而被视为更高性能的方法。特别是，自动身体成分分析（BCA）能够在随访过程中实现对肌肉、脂肪和骨骼组织的定量监测。例如，BCA通过诊断成像评估骨骼肌质量，对肌少症进行评估，这种评估既可为BCA目的专门获取，也可在临床成像中因其他临床问题机会性提取。该方法能够可靠地检测肌少症，即骨骼肌的进行性丢失和功能衰退，与跌倒、骨折、残疾和死亡风险增加相关，尤其在老年人和肿瘤患者中更为显著。
然而，BC的临床应用仍受限于分割耗时、观察者间一致性差和缺乏测量标准化等缺点。人工智能（AI）作为有力工具可弥合这一差距并促进临床应用的普及。AI方法提供自动化且高度可重复的分割工具，通过大规模标注数据集训练改进BCA，克服手动或半自动分割的需求，实现更广泛的临床实施。此外，除自动分割外，AI模型正达到更复杂的目标，如整合成像特征、临床和分子生物标志物，支持更具转化性的个性化风险评估和治疗规划。
2 身体成分参数简述
2.1 脂肪
脂肪是一个复杂且异质的组分，包含不同亚型，在位置和代谢整合方面存在差异。大多数研究集中于体脂评估，可根据解剖位置区分为皮下脂肪组织（SAT）和内脏脂肪组织（VAT）。VAT可进一步分为特定内脏储存库（如肠系膜脂肪和腹膜后脂肪），对不同代谢通路具有特殊影响。SAT的功能是储存多余脂肪，一旦饱和则导致VAT积累。VAT积累增加会导致肝脏、心脏、肌肉和骨骼等组织的异位脂肪沉积。VAT积累（及随之而来的异位脂肪）对人类健康构成严重威胁，促进多种病理状况的发展。例如，心包脂肪体积增加对冠状动脉疾病或心房颤动等心血管疾病产生负面影响。肝脏内脂肪储存过量会负面影响胰岛素抵抗和全身炎症，并增加肝脏实质纤维化改变，提高肝细胞癌（HCC）的发生风险，尤其是在代谢功能障碍相关脂肪变性肝病中。肾周脂肪积累增加会影响肾小球滤过率和慢性肾脏病的发生。快速体脂评估可使用体质指数（BMI），定义为体重除以身高的平方（kg/m
2），将个体分为六组。尽管BMI在临床实践中广泛应用，但无法区分瘦体质量和脂肪质量。
2.2 骨骼肌质量
骨骼肌质量（SMM）约占总体重的40%，受营养状态、体力活动、内分泌环境和疾病影响。肌肉特征的多参数评估能够识别不同的病理生理方面，具有重要临床意义。除肌肉定量外，肌肉质量评估包括脂肪浸润（肌脂肪变性）和收缩状态，对SMM特征及其功能和力量有重要影响。随年龄增长，SMM发生复杂变化，包括II型纤维萎缩、低度炎症和运动单位丢失伴随去神经-再神经支配，共同导致力量、功率和抗疲劳能力下降。这些变化导致不同形式的改变，包括肌少症（以低肌肉量为特征）和更具临床意义的肌少症（定义为低肌肉力量，经低肌肉量/降低的肌肉衰减确认，严重程度由差的体能表现判定）。临床上分为两种类型：原发性肌少症（与年龄相关的肌肉量丢失）和继发性肌少症（与慢性疾病、癌症或心力衰竭相关的肌肉量丢失）。SMM评估还深入参与恶病质的诊断，恶病质定义为"与基础疾病相关的复杂代谢综合征，以肌肉丢失为特征，伴或不伴脂肪量丢失"，是一种由疾病（如癌症）和全身炎症驱动的多因素代谢综合征，无法通过常规营养支持完全逆转。
2.3 骨骼
在三组分模型中，除脂肪量和瘦体质量评估外，还估算骨矿物质含量（BMC），即骨骼的矿物质分数。BMC以克为单位，区别于以浓度单位（g/cm
2）表示的骨矿物质密度（BMD），后者反映单位面积的矿物量，用于估算骨骼强度。两者相关但不可互换。评估骨骼组分对识别病理性变化至关重要，因为骨骼组分的减少意味着骨量丢失和随之的矿物质储存减少，伴骨微结构和重塑平衡改变，与高骨折风险、生活质量差和死亡风险增加密切相关。骨骼组分与其他组分存在多种相互作用，骨骼肌通过机械负荷和生化信号支持骨骼，而脂肪组织则通过脂肪因子和骨髓脂肪含量影响骨骼。
2.4 脂肪-肌肉-骨骼轴
三个主要组分（脂肪组织、骨骼肌和骨骼整体）通过内分泌（脂肪因子/肌因子/骨因子）、炎症和生物力学通路相互交叉。病理改变也紧密相连，存在骨肌少症共存，若同时存在过度肥胖则为骨肌少肥胖症。不同受损组分的共存和相互交互导致比任何单一缺陷更大的衰弱、跌倒和骨折风险，支持并发的综合评估和干预。
3 成像技术概览
BC评估的金标准是尸检，但由于无法进行直接的体内评估，必须使用间接方法。成像衍生的人体成分指标正日益影响风险分层和治疗决策，因此影像科医师和临床医师均应掌握CT、MRI和双能X线吸收法（DXA）应用于BC的基本原则。
3.1 DEXA
DXA是评估BC最常用的方法，允许评估三个组分：脂肪、瘦软组织（LST）和骨骼。DXA基于组织对不同能量水平X射线的衰减，其衰减系数用于区分LST（包括瘦体质量）、脂肪和骨骼质量。然而，DXA在LST评估方面存在重要局限性，与水分有关。LST按设计包含组织水分，假设恒定水合度（约73%）。当水合度偏离时，如水肿/腹水、炎症状态、心/肾/肝功能衰竭或近期耐力运动等情况，额外水分被计入LST计算，导致瘦体质量（包括四肢LST）的高估，降低评估准确性和可重复性。因此，对于液体超负荷患者，DXA方法应谨慎解读，可能需要在等容量条件下重复测量，并在需要时辅以对水合偏倚较不敏感的CT/MRI基础BCA。
3.2 CT
CT（尤其是腹部层面）在临床实践中广泛用于多种指征，提供数千张体素图像，包含远超影像数据的多量信息。因此，从因其他原因获取的CT图像中，可以机会性、回顾性地获得VAT、SAT、BMD、肌肉质量和主动脉钙化等BC数据。CT扫描使用穿过体组织并由探测器收集的X射线束，创建每个像素显示亨氏单位（HU）密度信息的图像。各组织根据X射线束的衰减呈现不同HU值。利用这些HU阈值，可通过各种可用的分割方法分离组织并衍生BC。L
3腰椎水平被确定为主要标志层面，因为在此层面可评估腹部肌肉、腰大肌、椎旁肌、SAT和VAT组织。
CT的主要缺点无疑是电离辐射的广泛使用和检查的高成本，以及执行图像分割过程所需的培训和时间，这将受益于AI驱动方法在不影响准确性的前提下加快速度。
3.3 MRI
MRI被认为是评估BC的有价值方法。与CT技术类似，形态学MRI序列需要获取身体某部分（如腹部或全身MRI）的多层面图像，需要精确分割以分离不同BC组分以提取数据。与CT相似，需要自动化分割过程，这在MRI中更为复杂，因为没有固定的信号强度阈值可应用，需要使用AI开发的高度准确的工具。此外，定量MRI可通过使用脂肪-水成像技术（如Dixon序列）定量脂肪组织和瘦体质量或器官脂肪浸润。然而，有些因素会影响这些序列产生的脂肪分数信号，从而改变脂肪定量。因此，提出了具有重建算法的序列来克服这些偏倚，如质子密度脂肪分数（PDFF）。不幸的是，由于成本高和具有非兼容金属装置者的不可及性，该技术未得到广泛应用。
4 身体成分测量的临床影响
BCA对整体健康评估和多种不良事件预测具有重要临床影响。其理论基础在于识别骨质疏松、肥胖和肌少症等指数和状况，有助于监测治疗效果和个性化慢性病治疗。肌少症和脂肪组织分布被认为是癌症患者总体生存、术后并发症和治疗相关毒性的关键风险因素。SMM评估在肿瘤学中的意义还体现在治疗相关毒性方面，由于药物分布容积低导致的治疗过量，或与促炎状态相关的肝脏细胞色素功能障碍影响药物代谢等因素。在肌肉脂肪浸润或肌脂肪变性方面，荟萃分析发现肌肉脂肪浸润与胃肠道、胰腺和肝癌的较短生存期和75%更高的死亡风险相关。关于VAT，其增加常与乳腺癌患者和转移性化疗抵抗性前列腺癌患者的生存期缩短相关。
BC评估也使非肿瘤性疾病受益，通过评估治疗影响和识别风险因素。肌肉质量评估在糖尿病和代谢综合征中至关重要，因其与骨质疏松的负预后联系。此外，评估骨盆、大腿和小腿肌肉的脂肪浸润有助于评估骨关节炎和神经肌肉疾病中的功能能力和胰岛素调节。
对于心脏病患者，腹部脂肪增加与更高的心血管代谢风险强相关。此外，心外膜脂肪组织增加与动脉僵硬度增加和左心室重构独立相关。BCA对评估CT对比剂剂量至关重要，显著影响组织分割。研究表明，肌肉和脂肪衰减变化影响SMI和脂肪变性肌肉面积等参数，而这些参数也依赖于对比剂注射阶段。对比剂而非辐射剂量可能对这些参数产生影响。此外，较厚的CT层面会降低SMI并增加脂肪变性肌肉面积和脂肪指数，但影响小于对比剂阶段。基于瘦体重的对比剂剂量和能谱CT可在保持图像质量的同时降低剂量。然而，重要的是要记住，根据增强阶段的不同，SMM和密度的测量可能因单独对比增强而发生统计学显著变化。因此，这一方面显示了增强成像与BCA如何相互影响：精确评估不同组分影响对比剂给药和增强效果，而增强效果反过来又影响BCA评估的准确性。
5 身体成分的当前局限：为何我们仍未充分利用它？
尽管BC测量提供了关于组织分布的量化信息，但BCA仍存在重大缺陷，如缺乏标准化、测量不一致和技术困难。例如，BC工具有时昂贵、稀缺且需要专业人员，限制了其常规使用。技术挑战包括前述的成像问题，以及对手动或半自动分割的依赖，这既耗时又容易产生人为错误和变异性，可能高估肌肉质量等参数，凸显出自动化工具的必要性。
BC方案常缺乏标准化，使跨研究的一致截断值和比较变得复杂。事实上，研究变异性很大程度上阻碍了数据比较和指南制定。荟萃分析观察到，绝大多数研究为单中心、样本量有限且使用不同的CT采集方案，导致分割过程的潜在偏倚。
克服BC评估当前局限性的技术进步（如AI）无疑可改善其在临床实践中的使用，提高个性化医疗的潜在效益。
6 临床医师应知的人工智能知识
6.1 AI：BCA的灵丹妙药？
BCA检查身体组织，而AI自动化任务并提取洞见，使其在影像科中互补；换言之，AI增强BCA，而BC数据支持AI发展和算法背景。这种协同作用使得能够提取、聚合和分析大量身体成分数据（不仅限于VAT、SAT和瘦体重），克服目前仅将高级BCA局限于研究领域的上述局限。AI系统快速自动提取大量BC生物标志物并构建组合模型的能力，将解锁BC指标的潜力，并在不同临床实践分支中以更易获取的方式使用这些数据，为临床医师提供关于患者身体成分状态的宝贵信息，以整合到特定病理中。然而，从推测性研究到这些工具的实际部署之间仍存在差距。
建立标准化BC常规的挑战从技术问题（如缺乏一致、客观参数化工具和用于算法开发的专用数据集有限）到接受变革的阻力不等。尽管如此，基于AI的解决方案提供快速、准确和用户友好的替代方案，如BodySegAI软件显著简化了BCA工作流。该二维U-Net在2989例CT扫描上训练和验证，以人工分割为金标准，并在300例已由AI开源工具（AutoMATiCA）分析的CT扫描上进行测试；BodySegAI U-Net平均比手动操作快148倍，中位DICE评分分别为0.969（骨骼肌）、0.814（肌肉间脂肪组织）、0.986（VAT）和0.990（SAT），在所有组分上均优于AutoMATiCA。
目前，尽管迫切需要，但很少有研究对不同AI BCA工具进行头对头比较。特别是，一项有趣的研究在8949例患者、83种不同CT扫描仪类型、来自6个不同供应商的异质性数据集上测试了三种不同的全自动AI工具进行腹部CT基础身体成分分析。所有三种工具在97.7%的检查中技术上均合格，凸显了其可行性和稳健性，可能已适用于真实世界条件。然而，科学文献中尚缺乏对所有可用AI BCA工具的全面更新比较，也未在同一成像数据上进行直接测试。
因此，未来研究应指向评估方案的标准化、跨文化通用性以及AI模型在不同人群中的验证和跨学科合作创建大型高质量数据集。此外，可解释AI和透明算法系统的持续发展对于建立信任、确保基于AI的BCA更整合入临床实践至关重要。另一个对临床适用性重要的方面是监管领域。目前，只有少数用于身体成分分析的AI工具获得FDA批准（即基于CT的DeepCatch和Prenuvo的MRI平台），而在欧洲，此类工具应根据新的AI法案和MDR框架作为高风险医疗器械，这既突显了其高临床潜在影响，也突显了完全实施、协调法规的迫切需要，目前尚未完全建立。
6.2 BC和基于AI的分割
在BC中，最重要的AI应用是自动化组织分割，由于数据量大，这一过程繁琐且容易产生人为错误。AI可加速该过程并辅助影像科医师的监督角色。例如，近期一项系统综述证明了多种深度学习（DL）算法在临床实践中从3D CT扫描提供全自动容积BCA的可行性，提高了人类监督者的准确性。
另一项工作证明了基于DL的BCA预测黑色素瘤患者相关终点的可行性；还有研究表明DL算法在根据影像学发现对胰腺癌患者按死亡风险分类方面的有效性。值得注意的是，多项研究比较了人工操作员与自动算法的分割速度：在一项近期研究中，自动分割算法与由人工操作员引导的半自动方法（作为参考基准的所谓"金标准"）在L
3 BC参数方面显示出 excellent 的一致性。其他研究报告了类似结论，表明增加训练和数据访问可改善算法的准确性和速度。
AI对BCA的推动不仅体现在基线诊断，也体现在随访中。一项有趣的研究强调，如何借助AI工具在CT图像上轻松评估尿路上皮肿瘤患者的基线和随访肌少症状态，并可能实现肌少症状态的监测，通过定制营养治疗改善结局。肌肉评估中AI影响的深入代表性例子由Pickhardt等的研究提供，该研究分析了9223例接受腹部CT的无症状成人，旨在比较DL CT基础L
1和L
3水平肌肉定量预测未来髋部骨折和死亡的效用，平均随访8.8年。结果显示，两个水平的肌肉衰减测量（肌脂肪变性）与已确定的临床风险评分具有可比性指标，扩展了在机会性方式下评估该参数的可能性，不仅可在腹部CT上，也可在CT胸部检查中进行。
事实上，自动分割已被证明显著快于手动分割。研究表明，基于AI的分割比半自动方法快82倍。因此，这些进步对于简化影像科医师的工作流程、提高效率和准确性至关重要。
AI也扩展到MRI领域，其中DL协议被开发用于肝脏分割等任务。有研究提出了提取肝脏分割以供临床使用和定量脂肪分析的框架。近期研究表明，即使对于肥胖患者，从MRI数据衍生脂肪组织定量的DL方法也是可行的，所得准确性等于或优于人工操作员引导的方法。近年来，这些技术在临床实践中的应用已如此广泛，以至于中华医学会已就MRI成像BC评估的临床实践指南应用达成共识。非常令人印象深刻的结果是Jung等最近发表的，他们开发了从全身MRI评估BC的DL方法，在两个不同队列的超过50,000例患者中，Dice系数达到0.86至0.88。
显然，AI应用研究高度关注分割，因为它是BCA中的主要任务，也是操作者依赖性最强的任务。值得提及的是，有研究评估了进一步研究AI所有可能应用的必要性，因为分割任务虽最突出，但并非唯一应用。
6.3 其他任务
除分割外，这些工具还用于不同操作：机器学习（ML）算法在选择BCA代表性图像（如L
3椎体中点）方面已显示出超越人类的能力。创新项目包括基于AI的智能手机从标准参数估算BC。特别是，用于肌少症和BC的AI可实施为将BC指标与临床数据结合的决策支持模型。例子包括从人口统计学和人体测量数据预测肌少症、瘦体质量和脂肪质量的算法，使用肌肉硬度和超声灰度推断肌肉质量的基于AI的超声弹性成像模型，以及将放射组学肌肉数据与临床生物标志物结合并整合人口统计学和实验室数据构建预测列线图。在肿瘤学和围手术期护理中，多项结合肌少症和肥胖指标与其他常规变量的列线图可改善术后并发症、生存或治疗耐受性的风险分层。此外，肌少症治疗领域中一个非常前景的例子提供了注意力感知多任务学习框架，整合多组学层（单核苷酸变异、mRNA表达和DNA甲基化）以优先治疗靶点和重新利用肌少症治疗，选择卡格列净作为可能候选药物，将AI的角色从表型和描述性工具转变为治疗假设生成。总体而言，这些与分割任务工具相关的方法展示了AI如何在精准医学领域中以一种新颖且增强的方式实现身体成分分析的操作化。
随着AI的进步，将提供更详细和精确的评估。不难想象，AI将在标准化BCA中发挥关键作用，确保不同患者和成像会话间一致且可重复的结果。这种标准化过程对纵向研究和跨不同医疗机构的结果比较可能至关重要，为该研究领域开辟新途径。
7 AI工具在当前医疗中的应用：从实验室到病房的真实问题
如今，AI无处不在，最近也已整合到医学中以加快进程和/或改善患者护理。然而，既然AI的根源可追溯到多年前，为何它似乎是近期才受到关注？答案在于AI蓬勃发展的背景。AI是强大的工具，但需要数据和大量工作流编排才能有效运作；否则，它仅仅是一个优秀的想法。因此，必须解决一个重要挑战：转变AI必须嵌入的背景以实现其全部潜力，正如过去万维网和大数据所经历的那样。
通过解决AI软件开发中的初始挑战（产品一旦上市即已解决），重点应转向解决将AI整合到医院系统中的问题，特别是涉及基于AI的BC工具。
为提供关于该主题的客观观点，已进行一些调查以识别临床常规中的可能障碍， highlighting AI接受度受代际因素影响，并强调教育对于有效接触AI和将这一技术整合到日常工作中的至关重要性。此外，很大一部分专业人员认为AI可靠；然而，工作量减少的影响尚未被感知，因为只有三分之一的受访者提到使用这些工具。一项涉及来自54个主要欧洲国家的1041名认证委员会影像科医师和影像科住院医师的调查显示，仅48%的参与者对AI持开放态度；这对具有非基础AI知识者尤其如此。相反，30%担心AI取代其工作，23%质疑其职业选择。同一研究的后半部分显示，62%将伦理和法律问题确定为AI采用的障碍，强调将AI教育纳入影像科课程的必要性。然而，另一项调查描绘了不同的图景：医学生通常对AI取代影像科医师角色担忧较少，并认可潜在应用。令人惊讶的是，欧洲放射学会（ESR）调查的690人中，仅17.8%面临AI工具的技术整合问题，而75.7%认为诊断算法可靠，34.6%提到算法使用，17.3%向患者披露。22.7%注意到工作量减少，69.8%认为无影响。对于工作流优先排序，23.4%认为算法非常有帮助，62.2%认为中度有帮助，13.3%打算获取AI工具。此外，73.3%的影像科医师认为其AI培训不足，但79.3%相信AI将积极影响其未来实践，预期减少医疗错误（81%）和解读时间（74.4%）。
已识别的关键问题包括：对AI价值的怀疑、对工作被取代的恐惧、教育差距、伦理和法律关切以及整合挑战。
7.1 人力资本：在犹豫与信心之间，在低估与教育之间
自古以来，新发明常面临初始怀疑：AI作为黑箱技术，难以进行逻辑解释，导致其实施的犹豫和怀疑。影像科医师不信任的主要原因在于缺乏AI知识，加上培训和指导机会有限。
为解决这种犹豫，ML和AI的基本知识至关重要。影像科住院医师应掌握基础AI知识以排除AI故障，类似于其处理图像伪影的方式。然后，一旦教育满足这些需求，教育者必须为自动化自满和锚定偏倚做好准备，这些偏倚发生在临床医师过度依赖AI而缺乏严格评估时。持续的AI培训应涵盖疗效、成本效益、患者安全和技术准确性。一个关键解决方案涉及机构内的"本地 champion"，如积极的住院医师或经验丰富的影像科医师，他们倡导AI并促进其实施。在医学和影像科课程纳入AI课程之前，本地 champion 将领导AI部署并推动其在科室内的实施。
7.2 基础设施：不仅是健康
主要的实际障碍之一是将AI整合到现有IT工作流中。这一过程不仅应顺畅，还应减少工作负担。整合AI算法时，优先考虑IT基础设施和医院环境至关重要；关键因素包括处理大数据量的能力和确保支持，这意味着显著成本。技术不兼容性已阻止AI在某些临床场景中分析高达22%的研究，凸显了健壮IT基础设施管理数据和有效整合AI的必要性。平稳的工作流整合对AI的有效采用至关重要，但经常被忽视；一言以蔽之，组织准备度。这是一个经充分讨论的定义，表明在发生如此重大变革之前，必须实现包括机构资源、支持性组织氛围和动机准备在内的基本组织准备。
成本是阻止AI在医疗中广泛使用的另一障碍。已强调需要持续资金支持软件和硬件以及AI系统维护，即使明确的偿付计划并非常规做法。这些问题需要战略性解决方案，但获得更多资金需要验证，而鉴于固有问题，验证具有挑战性。医疗中成功的AI整合需要可持续的资金模式、强大的IT基础设施以及通过协作努力和战略领导实现的组织准备度。AI系统必须顺畅整合到临床流程中，以检测和报告检查质量问题、及时启动图像分析，并生成供影像科医师审查的初步发现。
将AI整合到临床实践中似乎涉及高昂的许可成本，至少 initially 如此。然而，从前瞻性角度，关注早期诊断（AI基础BCA可提供最大人机支持），必须考虑经济节约。例如，一项研究表明，AI辅助的基于CT的机会性筛查心血管事件、骨质疏松和肌少症通过预防症状性事件和降低与这些状况相关的医疗成本实现了成本节约。因此，AI的初始高成本可通过长期降低治疗成本和改善患者结局的显著经济效益来证明其合理性。通过解决这些问题，AI改善整体医疗结局、运营效率和诊断精度的潜力将得到实现。
8 结论
总之，为有效缩小BC研究与临床实践之间的差距，AI似乎是克服当前局限的理想工具。要实现这一点，BC与AI的结合将需要共同努力建立国际标准、在真实环境中严格验证AI技术、改进教育举措并促进利益相关者之间的协作网络。通过系统地应对这些挑战，医疗系统可利用AI提高BC的准确性、运营效率和患者结局，从而开创个性化和有效医疗交付的新时代。
