撰文丨王聪

编辑丨王多鱼

排版丨水成文

早期且准确地诊断乳腺癌，对于减少穿刺活检、改善患者预后至关重要，这需要有效整合多模态信息。

2026 年 5 月 19 日，上海科技大学/联影智能沈定刚教授及云南省肿瘤医院李振辉、上海交通大学柯晶、西湖大学医学院附属杭州市第一人民医院丁忠祥、贵州省人民医院王荣品作为共同通讯作者，在 Nature 子刊Nature Biomedical Engineering上发表了题为：A deep learning system for non-invasive breast cancer diagnosis with multimodal data 的研究论文。

该研究开发了一种乳腺癌智能无创诊断系统（BINDS），用于整合多模态医学影像数据，以进行乳腺癌风险评估和亚型分类。

打开网易新闻 查看精彩图片

在这项最新研究中，研究团队开发了一种基于深度学习的乳腺癌智能无创诊断系统（breast cancer intelligent non-invasive diagnosis system，BINDS），用于整合多模态医学影像数据，以进行乳腺癌风险评估和亚型分类。

BINDS 采用两阶段的诊断方法，以匹配临床工作流程：首先通过超声和/或乳腺 X 线摄影进行初步评估，随后结合磁共振成像进行更全面的多模态诊断。此外，该研究还提出了一种新的放射学与病理学对齐机制，以促进从放射影像中提取与病理相关的特征。BINDS 是基于来自 8 个中心和 7 个公共数据集的 27048 名参与者的多样化数据集进行开发和验证的。重要的是，BINDS 在训练和验证过程中支持输入模态的灵活组合。

值得注意的是，BINDS 的受试者工作特征曲线下面积达到0.973，并可帮助放射科医生将良性病变的活检比例减少高达32.4%。

这些发现凸显了 BINDS 在推动乳腺癌诊断方面的潜力，能够根据不同临床场景和资源条件实现精准且灵活的决策。

论文链接：

https://www.nature.com/articles/s41551-026-01654-2

打开网易新闻 查看精彩图片