如何减少乳腺癌的不必要穿刺活检？BINDS多模态无创诊断AI系统解读

研究背景：乳腺癌为何需要无创精准诊断？

乳腺癌是全球女性发病率最高的恶性肿瘤，也是女性癌症死亡的首要原因，全球发病仍在持续攀升，预计 2040 年新发病例将达到 300 万。能否在早期准确判断病灶良恶性，直接决定患者能否免于有创操作、以及后续治疗方案的选择。

在临床上，乳腺超声、钼靶（乳腺 X 线摄影）和磁共振成像（MRI）是三类最常用的无创筛查与诊断手段。医生依据美国放射学会制定的 BI-RADS 系统对病灶进行风险分层，其中 BI-RADS 4 类病灶的恶性概率跨度极大，从 2% 到 95% 都有可能。正因如此不确定，指南通常建议 BI-RADS 4 类患者接受穿刺活检以明确病理。

但穿刺活检属于有创操作，会带来并发症风险、额外医疗成本，也让大量最终证实为良性的患者承受了不必要的穿刺。这个矛盾，正是本研究要解决的核心问题。

创新点：BINDS如何贴合真实临床流程？

2026 年 5 月 19 日，上海科技大学生物医学工程学院沈定刚团队联合云南省肿瘤医院等多家单位，在《Nature Biomedical Engineering》发表研究，提出乳腺癌智能无创诊断系统 BINDS（breast cancer intelligent non-invasive diagnosis system）。

BINDS 的核心价值不是"又一个准确率更高的模型"，而是第一次把 AI 的诊断流程设计得和真实临床完全对齐。它有四个鲜明特点：

• 两阶段诊断范式：第一阶段仅用超声和/或钼靶完成初筛；当结果落在一个不确定区间（预测概率约 0.02–0.98 之间）时，才进入第二阶段，补充 MRI 做更全面的多模态诊断。这正好对应"常规检查 → 高级检查"的临床递进逻辑。
• 支持任意模态组合输入：现实中很多患者无法完成全部三项检查（如基层没有 MRI），BINDS 通过掩码自注意力机制自动屏蔽缺失模态，诊断不因缺模态而中断。
• 放射-病理对齐机制：这是方法上的核心创新（下文详述），让影像模型学到病理层面的判别信息。
• 可解释输出：生成注意力热图并计算各模态贡献度，帮助放射科医生理解 AI 的判断依据。

技术原理：放射-病理对齐 + 掩码注意力多模态融合

BINDS 的框架由三阶段训练构成：病理编码器预训练 → 放射编码器预训练（放射-病理对齐）→ 缺失模态多模态微调。

其中最关键的是放射-病理对齐（radiology–pathology alignment）机制。方法冻结已预训练好的病理编码器，用缩放余弦误差损失，把放射影像编码器的特征嵌入空间与病理全切片图像（WSI）的特征对齐。这样做的思路很巧妙：用病理金标准"教"影像模型提取有病理意义的病灶特征，从而提升亚型识别能力，尤其是对非浸润性导管癌这类难识别亚型的灵敏度。值得注意的是，病理图像只在训练阶段参与，实际临床使用时仅凭放射影像即可完成评估，大大降低了部署门槛。

在多模态融合上，BINDS 采用掩码自注意力（masked self-attention），推理时自动屏蔽缺失模态，不会引入噪声；训练阶段则以 50% 概率随机掩码 1–2 种模态，强制模型学会在各种模态组合下都能稳定判别。输入层面，超声、钼靶采用多视角图像，MRI 采用全套多序列，充分挖掘互补信息。

数据说话：AUROC达0.973，良性活检最多减少32.4%

研究基于 27,048 名受试者（来自 8 家医学中心和 7 个公开数据集）完成构建与验证，规模为同类多模态乳腺癌影像研究之最。核心结果如下：

• 完整两阶段 BINDS：内部测试集受试者工作特征曲线下面积（AUROC）达 0.973，外部测试队列 1 达 0.941。
• 单模态对照：内部测试集超声 AUROC 0.912、钼靶 0.913、MRI 0.953；双模态"超声 + 钼靶"为 0.932（外部队列 0.898）。两阶段多模态模型显著优于单模态与双模态。
• 亚型分类：内部 AUROC 0.861，外部队列 2 为 0.790，整体弱于恶性风险评估，但 MRI 依旧表现最优。

更重要的是对"人"的检验。研究招募 6 名放射科医生（高年资、低年资各一组），在 208 例 BI-RADS 4 病灶（104 良性、104 恶性）上对比纯人工阅片与 AI 辅助阅片：

在 AI 辅助下，高年资医生对良性病灶的活检建议最多可减少 32.4%，同时维持恶性病灶活检检出率不下降——也就是说，少扎了不该扎的针，却没有漏掉该发现的癌。

应用前景与局限

BINDS 的最大意义，在于它用一个贴合临床流程、支持模态灵活组合的系统，把"减少不必要活检"这一痛点落到了可量化、可验证的层面。这对影像检查项目参差不齐的基层医院尤其有吸引力——哪怕只有超声和钼靶，系统也能给出初筛意见，再按需决定是否加做 MRI。

局限同样需要正视：这是一项回顾性研究，尚无前瞻对照试验量化其对患者硬终点（如生存、诊疗结局）的最终影响；亚型分类性能弱于恶性风险评估，仍需在更多元化的医疗体系中进一步验证。作者也明确，系统定位是辅助决策，而非替代医生的独立诊断。

结论

乳腺癌 BI-RADS 4 类病灶"恶性概率 2%–95%“的宽泛区间，本质上是一道不确定性难题——而过去的不确定性，往往由患者用一针穿刺来买单。BINDS 用"两阶段诊断 + 放射-病理对齐 + 掩码注意力融合"的组合，在 27,048 例数据上证明了：多模态 AI 可以在不牺牲恶性检出率的前提下，把良性活检最多减少 32.4%。它没有宣称取代病理金标准，却为"如何更少地打扰患者"提供了一个清醒、可落地的技术起点。

论文原文信息地址：https://www.simomia.com/blog/2026-09-19-binds-breast-cancer-diagnosis/

参考文献

1. Li Y, Zhang J, Chen H, et al. A deep learning system for non-invasive breast cancer diagnosis with multimodal data. Nat Biomed Eng. 2026. DOI: 10.1038/s41551-026-01654-2
2. Sparano JA, Gray RJ, Makower DF, et al. Prospective validation of a 21-gene expression assay in breast cancer. N Engl J Med. 2015;373(21):2005-2014. DOI: 10.1056/NEJMoa1510764