此次研究成果的发表，不仅是对深睿医疗与重庆大学附属肿瘤医院影像科合作的肯定，也为全球范围内的乳腺癌研究提供了新的思路和方法。随着该模型在更多临床场景中的验证和优化，其有望成为乳腺癌诊断及治疗方案制定过程中的重要辅助工具，提升乳腺癌整体诊疗水平，助力人类对抗这一严重威胁女性健康的疾病。

乳腺癌作为全球女性发病率最高的恶性肿瘤，严重威胁着女性的健康与生命 。在乳腺癌的早期诊断与治疗中，磁共振成像（MRI）技术具有举足轻重的地位。MRI 能够提供高分辨率的乳腺组织图像，清晰显示乳腺内部的结构与病变细节，对于早期浸润性乳腺癌的检测灵敏度极高。乳腺癌分子亚型对于临床治疗方案及患者预后至关重要。大量研究表明MRI中蕴含表征不同分子亚型的底层特征，其中肿瘤分割是先决条件，准确的肿瘤分割可以提供详细的形态学及微观信息。本研究旨在构建基于增强MRI的新型深度学习框架，用于乳腺癌自动分割和分子亚型分类，并在多中心数据中验证模型性能。

该研究中，重庆大学附属肿瘤医院影像科张久权教授团队与深睿医疗共同提出了一种基于多参数磁共振成像（mpMRI）的新型深度学习框架，以实现乳腺癌全自动分割及分子亚型分类。该框架创新性地使用了多阶段分割策略，能够更精准地识别乳腺癌病变区域，并且通过集成学习的方式优化了分子亚型分类的准确性。研究团队利用大量临床数据对模型进行训练与验证，数据来源涵盖了不同年龄段、不同病情特征的乳腺癌患者，保证了模型的泛化性和可靠性。

本研究回顾性收集了2015年1月至2021年1月期间，来自四家医院的687名乳腺癌患者的治疗前MRI数据。使用3D ResU-Net作为骨架开发了一个自动乳腺病变分割模型，并使用Dice评分在内部和两个外部测试数据集中评估了其准确性。通过结合2D和3D病变特征，将乳腺癌分类为四种分子亚型的集合模型（Ensemble ResNet）。使用受试者工作特征曲线下面积（AUC）在三个测试数据集中评估Ensemble ResNet的性能。

图一：整体研究流程图

分割模型在内部测试数据集I、外部测试数据集II和外部测试数据集中III以及Luminal A、Luminal B、HER2-enriched和三阴性乳腺癌亚型中均实现了高精度。

深睿医疗研究团队主要是负责其中的核心模型研发工作，包括自动乳腺病变分割模型以及分子亚型分类模型。深睿乳腺MRI人工智能辅助检测模型，可以进行全自动的肿块和非肿块样强化病变的检测和分割，在多中心验证数据集上表现优异，充分展现了深睿 AI 在乳腺 MRI 影像分析中的优秀稳定性与广泛适用性。同时，深睿构建了Ensemble ResNet可以进行Luminal A亚型、Luminal B亚型、HER2-enriched和三阴性乳腺癌的分类，该模型可作为一种非侵入性决策工具，在临床应用中具有巨大的应用潜力。

实验结果表明，Ensemble ResNet 模型在乳腺癌全自动分割任务中，展现出了极高的分割精度，能够清晰且准确地勾勒出肿瘤边界，为后续的定量分析提供了坚实基础。在分子亚型分类方面，该模型的分类准确率也达到了令人称赞的水平，与传统的人工判读及部分已有的人工智能模型相比，具有显著优势，能够有效区分不同分子亚型的乳腺癌，为临床个性化治疗方案的制定提供关键依据。

此次科研成果的取得，是一次医工深度融合的成功实践。通过结合医学领域的专业知识与先进的人工智能技术，成功攻克了乳腺癌影像分析中的一些关键难题。这项研究成果有望改变当前乳腺癌诊断的模式，让诊断过程更加高效、精准，最终使广大患者受益。深睿医疗一直致力于将深度学习技术应用于医疗领域，积极推动医疗人工智能技术的创新与应用，截止目前，深睿医疗发布的科研成果累计影响因子超 1800，牵头或参与了 10 个科技部重大专项、15 个国家自然科学基金项目以及 30 多个省市级科研项目。凭借在科研和技术创新方面的突出表现，深睿医疗荣获国家科学技术进步二等奖，并在河南、浙江、北京、江苏等地斩获多项省级科学技术进步奖。

这些科研成果标志着深睿医疗 “技术创新 + 临床落地” 双轮驱动策略的生动实践，也彰显了 AI 技术在破解医疗核心痛点中的关键作用。这种深度融合的模式，正在重塑医疗科技创新的底层逻辑 —— 让技术创新始终锚定临床需求，让科研成果切实转化为患者福祉。深睿医疗在科研领域的探索，不过是医疗 AI 浪潮中的一朵浪花，却折射出整个行业向 “全链条智慧医疗” 迈进的坚定身影。这不仅是技术的胜利，更是 “以患者为中心” 理念的胜利 —— 当 AI 成为连接医学智慧与科技力量的桥梁，人类对抗癌症的历史进程，或将因这种创新范式而加速改写。

论文引用信息：

Wang X, Hu X, Wang C, Yang H, Hu Y, Lan X, Huang Y, Cao Y, Yan L, Zhang F, Yu Y, Zhang J. Automatic Segmentation and Molecular Subtype Classification of Breast Cancer Using an MRI-based Deep Learning Framework. Radiol Imaging Cancer. 2025 May;7(3):e240184. doi: 10.1148/rycan.240184.