夜雨聆风乳腺癌的早诊早治对于改善患者预后至关重要。然而，当前临床实践中，面对BI-RADS 4类这一“灰色地带”病变时，高达70%以上的穿刺活检结果为良性，给患者带来了不必要的创伤、焦虑和医疗负担。如何实现更精准的无创诊断，成为亟待解决的临床难题。近日，一项发表于 Nature Biomedical Engineering 的研究论文，介绍了一个名为BINDS的乳腺癌智能无创诊断系统。该系统通过创新性地整合多模态影像数据，模拟真实临床决策路径，在超2.7万例的大规模多中心数据集中展现出卓越性能，可将资深放射科医生对良性病变的活检率降低近三分之一，为乳腺癌精准诊断开辟了新路径。
发表期刊：Nature Biomedical Engineering (IF: 26.6)发表时间： 2026年5月19日（在线发表）文章标题： “A deep learning system for non-invasive breast cancer diagnosis with multimodal data”作者单位： 上海科技大学、上海联影智能、云南省肿瘤医院、温州人民医院、贵州省人民医院等多家国内顶尖医疗机构与科研单位。
一、乳腺癌无创诊断的困境与破局
乳腺癌是全球女性发病率最高、死亡率居前的恶性肿瘤。在临床标准流程中，超声、乳腺X线摄影（ Mammography ）和磁共振成像（MRI）是无创诊断的“三驾马车”。放射科医生依据美国放射学会制定的乳腺影像报告和数据系统（BI-RADS）对病变进行风险分级。其中，BI-RADS 4类病变的恶性概率跨度极大（2%-95%），指南因此推荐对此类患者进行穿刺活检。
然而，这一金标准存在显著弊端：大量BI-RADS 4类病变最终被证实为良性，导致过度活检，增加了患者痛苦、医疗成本及并发症风险。如何利用人工智能（AI）技术，从已有影像中挖掘更深层次的、与病理相关的信息，实现更精准的无创诊断，是该领域的核心科学问题。
此前，AI在乳腺癌影像诊断中的应用多局限于单一模态（如仅用超声或仅用乳腺X线摄影），其性能受限于各模态固有的信息“死角”。例如，超声对导管原位癌（DCIS）不敏感，而乳腺X线摄影在致密型乳腺中诊断效能下降。尽管MRI敏感性高，但其高昂的成本和复杂的操作限制了其作为一线筛查工具的应用。因此，开发一个能灵活处理多模态数据、并符合真实临床多阶段诊断流程的AI系统，成为提升诊断效能的关键。
二、BINDS系统架构与设计哲学
面对上述挑战，研究团队开发了乳腺癌智能无创诊断系统 (BINDS)。其核心设计理念并非简单堆砌数据，而是深度模拟并融入临床工作流程。
1. 两阶段诊断范式：紧密贴合临床路径
BINDS摒弃了传统“黑箱”式的单一输出，创新性地采用了与临床决策逻辑高度一致的两阶段诊断流程：
第一阶段（初筛）：基于超声和/或乳腺X线摄影进行初始风险评估。这两种模态成本低、可及性高，是初筛的主力。
第二阶段（精查）：当第一阶段的预测结果不确定时（系统预设置信度阈值0.02-0.98），则引入MRI进行更全面的多模态（双模或三模）联合诊断。
这一设计不仅优化了医疗资源，也使得AI的决策路径更易于临床医生理解与信任。
2. 灵活的多模态输入处理：应对真实世界数据不完整性
在临床实践中，患者往往因各种原因（经济、禁忌症等）缺少某一模态的影像。BINDS通过Transformer的掩码自注意力机制（Masked Self-Attention Mechanism），能够灵活处理单模态、双模态乃至三模态的任意组合输入。在训练阶段，系统甚至会以50%的概率随机屏蔽已有的模态，以增强其对不完整数据的鲁棒性。
3. 放射-病理特征对齐：让影像“看懂”病理
这是本项研究最亮眼的技术创新之一。病理检查是诊断金标准，其包含的微观信息（如细胞形态、浸润模式）往往在宏观影像上有对应特征。BINDS引入了一个放射-病理对齐机制，在训练过程中，通过一个冻结参数的病理编码器，将超声、乳腺X线摄影、MRI提取的影像特征与同一病灶的病理全切片图像（WSI）特征在高维空间中进行“拉近”对齐。
扩展数据图1 | BINDS系统的三阶段训练流程第一阶段预训练病理编码器；第二阶段进行放射-病理特征对齐；第三阶段通过掩码注意力机制进行多模态微调，处理缺失模态。
这一机制使得影像编码器在预训练阶段就能学习到与病理表型高度相关的特征，极大地提升了其从影像中辨识不同亚型乳腺癌的能力，尤其是在区分非浸润性导管癌等罕见亚型时效果显著。
三、迄今最大的多中心多模态乳腺癌影像数据集
为开发和验证BINDS，研究团队构建了一个规模空前的数据集，包含来自中国8个医疗中心和7个公共数据集的27，048名参与者。整个数据集被划分为四个队列：
• 训练队列：23，278名参与者（来自2个中心+7个公共数据集）。 • 内部测试队列：2，080名参与者（来自1个中心）。 • 外部测试队列1（风险评估）：940名参与者（来自3个中心）。 • 外部测试队列2（亚型分类）：750名参与者（来自3个中心）。
该数据集涵盖了多视角超声、多视角乳腺X线摄影、多序列MRI（DCE-MRI， T2， ADC）以及用于训练指导的WSI。如此大规模、高质量、多中心的数据，为BINDS的卓越性能奠定了坚实基础。
四、超越资深医师的精准诊断
BINDS的性能在多维度评估中均表现惊艳。
1. 单模态诊断：媲美人类专家
在内部测试集上，BINDS使用单模态输入进行风险评估的AUC（曲线下面积）分别达到：超声0.912、乳腺X线摄影0.913、MRI 0.953，均与经验丰富的放射科医生水平相当。
2. 双模态与两阶段诊断：性能显著跃升
当联合超声和乳腺X线摄影进行双模态诊断时，AUC提升至0.932。而采用两阶段诊断策略后，BINDS的性能达到顶峰：
• 内部测试集AUC高达0.973 • 外部测试集1 AUC达到0.941
表2 | 读者研究中BINDS、放射科医生及AI辅助诊断的性能对比
| 三模态诊断 | BINDS (AI系统) | 93.3 | N/A |
| 资深医生 (AI辅助) | 95.7 | 25 (减少32.4%) | |
图3 | BINDS在多模态输入下的性能a, b: 展示了BINDS在双模态及两阶段诊断范式下，对乳腺癌风险评估(a)和亚型分类(b)的性能。两阶段诊断实现了最高的AUC (0.973)。
3. 关键临床价值：显著减少非必要活检
读者研究（Reader Study）的结果尤为振奋人心。在BINDS的辅助下（提供风险评分、注意力热力图和模态贡献度）：
资深放射科医生的良性疾病活检率从37例（33.6%）显著降低至25例（22.7%），绝对减少了32.4%。
初级放射科医生的良性疾病活检率从40例（38.5%）降低至31例（29.8%），绝对减少了22.5%。
更重要的是，在减少非必要活检的同时，对所有恶性病变的活检率均维持在100%。这完美地展示了AI系统在“减负”与“不放任”之间的精准平衡。
图6 | 读者研究设计及关键结果a, 读者研究设计，包括初级和资深两组放射科医生。b, AI辅助前后对良性病变活检率的显著降低。
4. 分子亚型分类：超越常规能力
BINDS不仅能区分良恶性，还能对恶性病变进行亚型分类（如区分浸润性导管癌IDC与其他亚型）。在两阶段诊断范式下，内部测试集的亚型分类AUC达到0.861。这得益于其独特的放射-病理特征对齐技术，使得模型能捕捉到不同亚型对应的微妙影像特征。
5. 可解释性：让AI不再是“黑箱”
BINDS通过生成注意力热力图，直观展示了其做出决策所依据的影像区域。研究揭示了四种典型的注意力模式：① 全病灶；② 病灶内部；③ 病灶边界；④ 多相关区域（乳腺X线摄影特有，如同时关注肿块和钙化点）。这种透明化的决策过程极大地增强了临床医生对AI预测的信任度。
图5 | BINDS系统的可解释性a, 各单模态预测与多模态预测之间的相关性热图，显示MRI贡献最大。b, 超声、乳腺X线摄影和MRI的注意力热力图示例。
五、BINDS为何如此强大？
综合来看，BINDS的成功源于以下三大要素的协同作用：
海量且高质量的数据：2.7万例大规模、多模态、多中心数据，是模型训练泛化能力的保障。
创新且合理的算法架构：融合CNN（局部特征提取）和Transformer（全局关系建模）的混合编码器；创新的放射-病理特征对齐模块；模拟临床的掩码注意力多模态融合机制。
贴近临床的设计理念：两阶段诊断流程、支持灵活模态组合，解决了AI从“实验室”走向“诊室”的最后一公里问题。
六、局限与展望
尽管成果斐然，研究者也坦诚地指出了当前研究的局限性：
地域与人群限制：内部数据全部来自中国，尽管公共数据集包含其他种族，但模型的跨人种泛化性仍需验证。
对齐数据来源单一：用于放射-病理对齐的WSI仅来自云南省肿瘤医院一个中心，可能影响对齐策略的普适性。
超声模态不全：目前仅使用B模式超声，尚未纳入弹性成像、多普勒等更先进的超声技术。
缺乏前瞻性验证：该研究为回顾性研究，其真实的临床价值仍需通过前瞻性临床试验加以证实。
未来，研究团队计划开展大规模多中心前瞻性研究，并将模型扩展至更先进的超声技术，以期进一步降低对昂贵MRI的依赖。
七、结论与启示
总而言之，这项发表于Nature Biomedical Engineering的研究，代表了AI在乳腺癌精准诊疗领域的一次重大飞跃。BINDS系统的核心价值在于，它不仅仅是一个在实验室数据上取得高分的算法，更是一个深度理解并融入临床实践的智能助手。 它通过巧妙的两阶段设计和创新的放射-病理对齐技术，实现了卓越的诊断精度，并已被证明能够实质性地帮助放射科医生减少不必要的穿刺活检，从而降低患者痛苦和医疗成本。
这项研究为未来多模态、多阶段的AI辅助诊断系统开发树立了典范，其设计思想可推广至肺癌、肝癌等其他实体肿瘤的诊断中，有望引领精准医疗进入一个更加高效、智能、人性化的新时代。
