首页 > 文章详情

周竹超教授：从辅助诊断到智慧决策，AI重塑乳腺癌诊疗全景

06月18日

来源：肿瘤资讯

2025年5月20日，“群策群力・治愈可期”乳腺癌综合诊疗策略研讨会于上海隆重召开。众多业内专家汇聚一堂，聚焦全球诊疗新视野、临床实践桥梁搭建、生命奥秘探索、患者心声倾听、AI 智能应用、医学教育启迪以及科普实践等关键领域展开学术交流。会议期间，【肿瘤资讯】特邀复旦大学附属华山医院周竹超教授进行专访，就乳腺癌最新进展和未来创新方向分享专业见解。

周竹超

副主任医师、硕士生导师

上海市抗癌协会癌症康复与姑息治疗专委会常委
北京癌症防治学会乳腺癌个体化诊疗及MDT专委会常委
乳腺健康管理与科普专委会常委
中国生物工程学会生物医药大数据专委会常委
中国人体健康科技促进会乳腺疾病专委会委员
主持国家自然科学基金面上项目、上海市卫健委面上项目。以第一和通讯作者发表SCI论著近20篇，包括中科院一区顶刊3篇、JCR Q1期刊7篇，总影响因子100余分。

AI赋能，助力乳腺癌诊疗新篇章

正如大家在生活中越来越多地切身体会到AI技术带来的变革。AI在乳腺癌的诊断和治疗中已经展现出多方面的实质性帮助，尤其在提高效率、精准度和个性化医疗方面发挥了重要作用。

在影像诊断方面：可以提升早期筛查的准确性与效率

在乳腺X线摄影分析中
利用AI算法（如深度学习模型）可以快速分析钼靶图像，识别微钙化灶、肿块等早期病变特征。比如：Google Health开发的AI模型在乳腺癌筛查中的准确率与放射科医生相当，甚至能减少假阴性率。
在超声与MRI辅助诊断中
AI可自动分割肿瘤边界、量化血流信号（如超声弹性成像），或通过动态增强MRI评估肿瘤异质性，辅助判断良恶性。比如：IBM Watson Imaging AI在乳腺MRI分析中能提供标准化报告，减少人为误差。

在风险评估方面：可以预测患病与复发概率

在遗传与多因素风险评估中
AI整合基因数据（如BRCA基因突变）、家族史、生活方式等，建立风险预测模型。比如：美国麻省总医院的AI模型通过分析乳腺密度和临床数据，可预测5年乳腺癌风险。

在治疗决策支持方面：可以推荐个性化方案

AI通过分析肿瘤基因表达谱（如PAM50分型），推荐靶向药物。
AI可预测放疗剂量对周围组织的影响，
比如：DeepMind与英国医院合作开发的AI工具，可优化乳腺癌放疗计划设计时间。

另外在乳腺癌患者管理与预后监测方面

AI通过连续影像和生物标志物数据（如循环肿瘤DNA）监测治疗响应，及时调整方案，进行动态疗效评估。
结合可穿戴设备数据，AI可预警淋巴水肿等术后并发症，改善长期生存质量。

落地实践：已进入临床的成熟AI工具

在乳腺癌诊疗领域，部分AI技术已通过严格的临床验证和监管审批，逐步进入实际临床应用。我举一些目前相对成熟且已在临床中部署的AI工具及其应用场景：

乳腺钼靶与超声影像诊断的AI分析方面有

ProFound AI（又叫iCAD）：
全球首个获FDA批准的乳腺钼靶AI辅助诊断工具，可降低20%的假阴性率，已在美国、欧洲和中国部署（NMPA已批准）。医生阅片时间减少了30%，对致密型乳腺的诊断敏感度提升了12%。
（韩国）Lunit INSIGHT MMG：
在亚洲多家医院用于钼靶筛查，辅助医生识别微小病灶，敏感度达到94%。

病理切片分析中，AI可以辅助诊断与量化

（美国）Paige Breast：FDA批准的AI病理系统，针对乳腺活检组织切片，可自动识别癌细胞形态、计算Ki-67增殖指数、区分浸润性癌与原位癌，减少人工阅片的主观性。
（中国推想科技）DeepLN：是获NMPA认证的淋巴结转移检测工具，准确率超过95%，已在上海瑞金医院等机构应用。

复发风险评估与预后预测工具，代表性的有

Oncotype DX：是广泛应用的商业化基因检测工具，通过21基因评分指导早期乳腺癌化疗决策，纳入NCCN临床指南。
MammaPrint：基于70基因模型的预后工具，获FDA批准，用于判断患者是否需接受化疗。

为放疗与手术规划，提供精准治疗支持

Auto-Contouring Tools：通过深度学习自动勾画乳腺和淋巴结区域，勾画时间从数小时缩短至分钟级。在CT/MRI图像上标记肿瘤和危及器官（如心脏、肺）。生成满足肿瘤覆盖和正常组织保护的放疗计划。

当前，AI在乳腺影像、病理和预后预测领域已实现“工具化”，成为医生高效决策的可靠助力。但，其全面普及仍需解决临床整合与伦理问题。

展望未来：构建深度融合的“AI临床协作伙伴”

在乳腺癌诊疗领域，未来的AI技术发展应聚焦于打破数据孤岛、实现全周期精准管理，并深度融入临床工作流，成为医生的“智能协作伙伴”。以下是我对未来AI技术和服务的关键期待：

从单一分析到全景决策是AI技术的突破方向：

现在的临床痛点是：临床数据分散（影像、病理、基因、电子病历），医生需手动整合信息，效率低且易遗漏关键关联。
技术愿景是：
· 能跨模态关联挖掘：AI自动关联比如钼靶钙化灶、病理Ki-67指数、基因突变（如PIK3CA）和患者用药史，生成“风险-治疗”关联图谱。
· 并进行动态数据更新：实时整合新检查结果（如术后MRI或ctDNA监测），动态调整诊疗建议。

实现从指南推荐到超个性化治疗

现有治疗方案依赖分子分型，但对个体疗效差异（如免疫治疗响应）预测不足
技术愿景是：
· 基于基因组、蛋白质组和代谢组数据构建“虚拟患者模型”，模拟不同药物组合的疗效和毒性。
· 提供动态适应性治疗：根据治疗过程中肿瘤微环境变化（比如T细胞浸润度），推荐调整用药方案。

促进患者赋能与医患协同

建立个性化患教系统：根据患者认知水平生成通俗化治疗说明（比如用3D动画解释手术、放化疗流程等）。
副作用管理助手：比如患者报告手足综合征严重程度后，AI自动调整卡培他滨剂量并推送皮肤护理视频。

未来的“AI临床助手”将不再是孤立工具，而是深度嵌入诊疗全流程的智能网络，通过多模态感知、动态学习和人机协同，真正实现“以患者为中心”的精准医疗。其核心价值不仅是提升效率，更在于缩小经验差距、弥合学科鸿沟、赋能医患共同决策——这或许是AI对乳腺癌临床工作最深刻的变革。

责任编辑：elva
排版编辑：xiaodong

06月19日

张雅欣

河北北方学院附属第一医院 | 乳腺外科

学习