乳腺癌在全球女性癌症中的发病率最高，且发病率呈逐年上升趋势。MRI因具有软组织分辨力更高、无电离辐射、多参数及多功能成像等优势，是乳腺检查的重要技术手段。乳腺MRI常用扫描序包括横轴位T₂WI、横轴位T₁WI、DWI、增强扫描前横轴位脂肪抑制T₁WI、动态对比增强成像（dynamic contrast-enhanced MRI，DEC-MRI）等，其中DEC-MRI不仅可显示肿瘤强化的形态特征，还可进行后处理获得病变强化特征的TIC及血管重建MIP，提高了乳腺疾病的诊断准确率，还可用于乳腺癌高危女性的筛查、术前分期和治疗监控等^[1]。然而，各医院乳腺MRI扫描设备及参数不同，MRI图像数量多、读片时间长，经验丰富的MRI诊断医师相对缺乏，增大了临床医师的工作负荷及诊断错误率。

深度学习通过从低级的边缘特征，到形状及目标部分，再到高级的整体部分，一层层将特征抽象出来。通过特征的多层级和相关的影像表达，自动提取相关的特征，有望实现MRI图像的自动分析^[2-4]。其中，深度学习根据是否需要标签数据，分为有监督学习和无监督学习。有监督学习是专家先标记处理相关数据集，再用这些显式数据集进行模型训练得到预测模型，因此通常可得到较好的训练结果，但需经验丰富的专家耗费大量时间及精力去标注数据，这也是有监督学习的一大缺陷；无监督学习仅根据训练数据的特征分析将样本最佳地分为不同的类别而无需使用标签，因此无需专家标记，此类算法通常可利用大量数据的特征进行学习。目前，基于深度学习的人工智能技术在乳腺MRI中的应用主要集中在病灶分割、诊断及预测3个方面，下面将从这3个方面进行综述。

1 病灶分割

计算机辅助诊断（computer assisted diagnosis，CAD）技术对MRI的病变分割至关重要。然而乳腺病变分割技术存在2个主要的问题：①需手动描绘ROI作为标记图像；②需大量的标记图像用于模型构建和参数学习。目前，应用Sun等^[5]提出的从乳腺MRI图像中提取肿瘤的图像分割框架，可成功解决乳腺病变分割的主要技术问题。但在实际临床或实验环境中，难以获得足够标记的MRI图像，暂时无法形成数量可观的数据集。

乳腺MRI的各种CAD需对乳腺病灶和纤维腺体组织进行自动分割。传统的图像分析和计算机视觉技术，如模板匹配、边缘和表面检测等，其适用性常受研究数据集中所使用的图像特征限制，且乳腺MRI图像不仅随乳腺形状变化，还随不同MRI扫描方案变化，这些不足使得利用传统方法对乳腺病灶和纤维腺体组织进行分割较困难。2017年Dalm等^[6]通过深度学习技术对乳腺病灶和纤维腺组织进行MRI体积分割，设计了“U-net”的深度学习算法，此方法明显优于现有算法，对乳腺密度计算更精确。2019年Zhang等^[7]使用深度学习的全卷积残差神经网络U-Net架构，用于在乳腺MRI中的纤维腺组织的分割，并在独立的数据集中进行测试，该方法分割精度良好，且无需后期处理校对。随着进一步完善和验证，这种基于深度学习的分割方法可提供一种准确有效的手段量化纤维腺组织体积，以评估乳腺密度。

乳腺MRI具有准确测量纤维腺体组织体积的潜力，可评估乳腺密度^[8-11]。对乳腺密度评估及病变定位，计算机辅助MRI评估需准确地将乳腺与身体其他组织区域分开，若背景噪声较低，则可通过乳腺边缘空气信号强度的急剧改变轻松识别乳腺-空气边界^[12-14]。然而，由于线圈相关的强度不均匀性假象和部分体积问题^[15]，使乳腺边界的检测较困难。2016年Ertas等^[16]发布了一种适用于乳腺MRI的分割方法，用于支持CAD技术对乳腺组织分析、密度评估和病变定位，成功解决了上述问题。

DCE-MRI是乳腺MRI最基础的检查序列，不仅可提供病灶的形态学特征，如形状、大小，还能提供病灶的动力学参数和血管情况，如病灶强化程度、动态曲线类型、强化达峰时间及对比剂是否廓清，这些能够更准确检测及诊断病灶^[17-18]。但由于恶性肿瘤组织存在明显的异质性，增强的动力学模式在肿瘤的不同部位可能是不同的^[19]，因此需行图像后处理，将不同部分病变单独行三维重建，分析时间空间特征，进行病变诊断。Yin等^[20]提出的一种基于张量代数的新方法，利用高阶奇异值分解，获得DCE-MRI一系列图像相关多维数据结构，再通过多通道重建方法对病变行三维重建，重建出的病变边界清晰连续。该方法不仅去除病变部位的强度不均分布，还抑制了背景脂肪的信号，增加了肿瘤与背景实质的对比，提高了病变检测及诊断效果。

2 病灶诊断

通过对乳腺MRI病变的形态、动力学等特征分析，以及结合人工智能的辅助，放射科医师可提高对乳腺良恶性病变及恶性肿瘤分型的诊断准确性。2020年Jiang等^[21]研究发现人工智能与DCE-MRI相结合能提高放射科医师对乳腺病变良恶性的鉴别诊断水平。2018年Daniel比较了放射分析法、卷积神经网络（convolutional neural networks，CNN）算法、放射科医师利用多参数乳腺MRI对良恶性病灶的诊断情况^[22]，其中放射分析法的AUC为0.80，而CNN算法经过训练之后的AUC从0.83提升至0.88，但两者的AUC均低于放射科医师（0.98）；可见，即使在有限的训练数据集下，CNN在多参数乳腺MRI成像病变分类方面还是优于放射分析法算法，虽然CNN诊断结果不如乳腺放射科医师，但通过增加更丰富、更标准的训练数据集及测试集，CNN算法在乳腺MRI方面的诊断具有很高的潜力。

目前，小数据集、计算时间和图像处理的时间较长等因素阻碍了深度学习方法在放射医学CAD中的应用。2017年Antropova等^[23]提出了通过利用预先训练的CNN和现有传统的计算机辅助诊断特征来解决深度学习方法在放射医学中CAD的效率问题。这种新颖的乳腺癌CAD方法，与现有的方法相比，可更加高效地描述乳腺病变，且图像无需预处理。在根据乳腺病灶大小、密度、边界、形态等一般影像学特征诊断基础上，Yang等^[24]建议将背景实质增强特征整合到决策过程中，使用DCE-MRI研究应用新的定量图像分析方法提高乳腺癌诊断性能的可行性；所提出的定量背景实质增强特征为DCE-MRI中乳腺肿瘤的动力学特征提供了有价值的补充信息加入的计算机辅助诊断方法可提高基于DCE-MRI检查对乳腺疾病的诊断水平。DWI模型拟合的直方图特性是提示病理分类的有价值特征，通过机器深度学习可潜在地改进分类。Vidi等^[25]研究发现，支持向量机使用扩散模型组合的特征，提高了对良性与恶性乳腺肿瘤分化的预测准确性，有助于乳腺癌的亚型分析。

3 病灶预测

随着个体化、精准医学的日益普及，肿瘤生物标志物在指导临床治疗中发挥着越来越重要的作用^[26]。美国临床肿瘤学会指南指出，生物标志物结果可提示诊断和预后，监测乳腺癌复发或进展^[27]。人工智能在乳腺MRI中的预测主要集中于对乳腺癌亚型及Ki-67标记值与肿瘤特征之间联系的研究。

Ki-67是乳腺癌一个有价值的预后指标^[28]，也是化疗评估的重要指标，而基于Ki-67的术前内分泌预后指数是复发风险的具有可行性的预测指标。Dowsett等^[29]的研究表明，通过测量接受短期内分泌治疗患者的Ki-67，可提高对肿瘤无复发生存期的预测性能。然而，由于肿瘤异质性表达，传统侵入性检测方法（即活检样本）的准确性受到抽样误差的影响。而Liang等^[30]研究表明，乳腺癌基于MRI的放射组学与Ki-67之间存在相关性。

乳腺癌具有高度异质性，不同乳腺癌亚型的临床生物学、病理学特性和治疗反应性均不同^[31]。按照第13届St. Gallen国际乳腺癌会议制定的分子分型，将乳腺癌分为4个亚型：Luminal A型、Luminal B型、HER-2型和三阴性型^[32]，亚型分型为临床治疗选择提供了依据^[33]。近几年，学者们试图将从MRI中提取的肿瘤特征与乳腺癌的分子亚型联系起来^[34-35]，许多研究分析了定性和半定量MRI特征与分子亚型或三阴性乳腺癌之间的关系^[36-38]。Koo等^[39]发现DCE-MRI灌注参数[容量转移常数（K^trans）、血管外细胞外间隙容积比（Ve）和速率常数（K^ep）]与预后因素及乳腺癌的三阴性亚型相关。Grimm等^[40]计算了半自动提取的成像特征，以确定定量MRI特征与乳腺癌亚型之间的关系，结果显示2种动态成像特征与乳腺癌Luminal A型和B型之间存在中度相关性。Fan等^[41]首次使用三维容积成像特征对乳腺癌的4种不同的分子亚型进行分类，探讨从DCE-MRI中提取的特征与临床信息在乳腺癌分子亚型预测中的应用。

大量研究表明，人工智能尤其是深度学习技术的快速发展，对提高乳腺MRI的诊断性能并扩大其临床应用有重要作用。目前，人工智能在乳腺MRI的病变分割、检测及病灶预测等方面均得到应用。利用人工智能对乳腺MRI进行研究可辅助临床医师进行诊断，提升其工作效率。但人工智能应用仍有很多问题：①模型的普适性、稳定性、可重复性等仍需更大规模的数据进行验证，特别是不同扫描设备、不同序列及参数等数据的应用；②深度学习乳腺MRI的模型尚未完善，人工智能在乳腺MRI的研究多集中在发现病灶及判断良恶性方面，对于预测乳腺癌分子分型及淋巴结转移的研究较少，且样本量较小。③相关人工智能软件的临床应用，需更加规范化的开发及使用环境。但总体上，近年来人工智能的研究越来越完善，尤其随着精准医疗的发展，人工智能将更好地应用于乳腺MRI的疾病检测、诊断、治疗和风险评估等，更好地辅助临床制订个性化诊疗方案。