Nature Biomedical Engineering 重磅：BINDS 多模态 AI 无创诊断乳腺癌，AUC 达 0.973，良性活检最高可降 32.4%

医疗AI科研服务 | 2026年6月24日

一、研究背景

乳腺癌是全球女性发病率最高的恶性肿瘤，早期精准诊断是改善预后的关键。当前临床乳腺影像诊断依赖超声、钼靶（乳腺 X 线摄影）和磁共振成像（MRI）三种核心模态，各有优势与局限：超声对致密乳腺敏感但操作者依赖性高，钼靶对钙化敏感但对致密乳腺穿透力差，MRI 灵敏度最高但特异性不足且成本高昂 [1]。临床实践中，医生很少仅依据单一模态做出决策，而是根据初筛结果逐步升级检查——从超声/钼靶到 MRI，再到穿刺活检 [2]。

然而，这一"逐步升级"的诊疗路径存在一个核心痛点：大量良性病变被过度活检。据统计，乳腺影像检查发现的 BI-RADS 4 类可疑病灶中，活检后证实为恶性的比例仅约 20%-30%，意味着高达 70% 以上的活检是"不必要的" [3]。这些不必要的穿刺不仅给患者带来身体创伤、心理焦虑和经济负担，也占用了大量医疗资源。

近年来，人工智能（AI）在乳腺影像领域取得了显著进展。2025 年，Luo 等发表于 Nature Communications 的 MOME 模型证明多参数 MRI 大模型不仅能识别乳腺癌，还能在缺失部分模态时继续推理 [4]。2026 年 3 月，Elías-Cabot 等发表于 Nature Medicine 的前瞻性临床试验显示，AI 在乳腺筛查流程中可显著减少影像医生工作量 [5]。然而，这些工作大多聚焦于单一模态或筛查端，真正将多模态影像整合为贴近临床诊断路径的无创决策系统，仍然是一个待解难题。

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在 Nature Biomedical Engineering（IF=26.7）在线发表了一项里程碑式研究——BINDS（Breast Imaging Neural Diagnosis System，乳腺影像神经诊断系统）[6]。该系统首次将超声、钼靶和 MRI 三种模态整合为两阶段诊断框架，并通过影像-病理对齐机制使 AI 影像特征逼近病理诊断水平，在 27,048 名受试者中实现了高达 0.973 的诊断 AUC，且最高可帮助放射科医生减少 32.4% 的良性活检。

二、研究创新点

BINDS 的核心创新体现在以下五个方面：

1. 贴近临床路径的两阶段诊断框架。 BINDS 并非简单地将多模态图像拼接后输入单一模型，而是将诊断流程设计为两阶段：第一阶段使用超声和/或钼靶进行初始风险评估，第二阶段仅对需要进一步评估的病例引入 MRI，完成更全面的多模态诊断。这种设计与真实临床路径高度一致，避免了将所有病例强行塞入高成本 MRI 流程。

2. 影像-病理对齐机制（Radiology-Pathology Alignment）。 这是 BINDS 最核心的技术创新。研究团队在放射影像编码器训练中引入病理相关特征对齐，使超声、钼靶和 MRI 的特征表征向病理判读相关信号靠拢。换言之，AI 不只学习"像不像癌"，而是尽量让影像特征逼近病理组织学信息，从而提升模型对肿瘤生物学差异的感知能力。

3. 弹性模态支持。 BINDS 在训练和推理中支持灵活的模态组合，意味着它不要求所有患者都完成全部三种影像检查——这对临床至关重要，因为真实世界中并非每位患者都能完成标准化 MRI，且基层医院可能缺少某些模态设备。

4. 超大规模多中心验证。 研究共使用 27,048 名受试者的数据，来源覆盖 8 个中心和 7 个公开数据集，内部测试 AUC 0.973，外部测试 AUC 0.941，展示了跨中心、跨人群的泛化能力。

5. 以临床终点为导向的评估。 论文不仅报告了 AUC 等传统指标，更将"减少良性活检比例"作为核心评估终点，直接回应了临床最关心的现实问题。

三、技术原理

BINDS 的技术架构围绕三个核心层级展开，体现了从"数据预处理"到"病理对齐"再到"临床决策"的完整技术链条。

第一层：模态级预处理。 超声和钼靶图像首先提取病灶中心 ROI（感兴趣区域），MRI 则先进行乳腺和肿瘤自动分割，再提取 3D ROI。这一预处理策略的目的是让模型聚焦真正影响诊断决策的病灶区域，避免被大面积背景噪声干扰。

第二层：单模态编码器与影像-病理对齐。 BINDS 分别训练病理编码器和多个放射影像编码器（超声、钼靶、MRI）。最关键的技术创新在于放射影像编码器训练中引入病理相关特征对齐——通过对比学习等策略，使超声、钼靶、MRI 的特征表征尽可能向病理判读相关信号靠拢。这意味着模型学习的不是表面的图像纹理，而是与肿瘤生物学行为（如细胞异型性、核分裂象、间质反应等）密切相关的深层特征。这一"借病理之力、赋影像之能"的设计，使 BINDS 的影像分析能力超越了传统放射组学方法。

第三层：多模态融合与两阶段推理。 在完成单模态预训练后，系统进行多模态联合微调，学习不同模态特征之间的互补关系。推理阶段采用两阶段流程：第一阶段（超声/钼靶）输出初始风险评分，若风险超过阈值则进入第二阶段（+MRI），最终输出综合诊断结果和亚型分类。系统还能输出各模态的注意力图和贡献权重，为医生理解模型决策提供基础。

技术路线本质：BINDS 不是将多模态数据简单堆叠，而是将"病灶定位""病理相关表征学习""临床分阶段决策"串成同一个体系，实现了从"单模态识别"到"多模态临床决策"的范式转变。

四、实验结果

BINDS 在多个维度展现了卓越性能，以下为核心实验结果的系统总结：

1. 总体诊断性能。 在内部测试集上，BINDS 的 AUROC 达到 0.973，敏感性和特异性均处于极高水平。在外部测试集上，AUROC 为 0.941，验证了模型的跨中心泛化能力。这一性能水平已接近病理诊断的参考标准。

2. 减少良性活检。 论文最引人注目的临床结果是：在保证恶性病灶检出率的前提下，BINDS 最高可帮助放射科医生减少 32.4% 的良性病变活检。根据 BI-RADS 4 类病灶中约 70% 为良性的估算，这意味着每 100 例 BI-RADS 4 类患者中，BINDS 可帮助避免约 23 例不必要的穿刺活检。

3. 乳腺癌风险评估与亚型分类。 BINDS 不仅能区分良恶性，还能进行乳腺癌风险评估和分子亚型分类（如 Luminal A/B、HER2 阳性、三阴性等），为临床治疗决策提供更多信息。这种"从检测到分型"的能力，使 BINDS 具备了从筛查到治疗决策的全程支持潜力。

4. 多模态互补效应。 消融实验表明，三模态联合（超声+钼靶+MRI）的性能显著优于单一模态和双模态组合，验证了多模态融合策略的有效性。在模态缺失场景下，BINDS 仍能保持较高的诊断性能，体现了弹性模态支持的实际价值。

5. 大规模数据验证。 研究使用了 27,048 名受试者的数据，涵盖 8 个中心（包括多家三甲医院和体检中心）和 7 个公开数据集，是目前乳腺影像 AI 领域规模最大的验证之一。多中心、多来源的数据覆盖显著增强了模型在实际临床环境中的可信度。

评估维度	核心指标	结果
内部测试	AUROC	0.973
外部测试	AUROC	0.941
良性活检减少	最大降幅	32.4%
验证规模	受试者/中心/公开数据集	27,048 / 8 / 7
支持模态	影像类型	超声、钼靶、MRI
输出功能	诊断能力	风险评估 + 亚型分类

五、技术优势

1. 贴近临床路径的两阶段设计。 BINDS 将超声、钼靶和 MRI 的使用顺序嵌入模型结构，而非简单地将所有模态数据一并输入。第一阶段低成本筛查，第二阶段精准诊断，这种设计使 AI 系统真正适配临床工作流，而非要求临床改变流程来适应 AI。

2. 影像-病理对齐赋能。 通过将病理组织学信息"借"给影像模型，BINDS 的影像特征学习超越了表面纹理分析，向病理生物学差异靠近。这一机制使影像诊断逼近病理诊断水平，有望重新定义"影像引导活检"的临床决策阈值。

3. 弹性模态支持。 真实世界中，并非每位患者都能完成全部三种影像检查。BINDS 支持灵活模态组合输入，在模态缺失时仍能保持较高诊断性能，显著提升了模型的临床适用性和基层部署可行性。

4. 以临床价值为导向的评估。 减少 32.4% 的良性活检，这一指标比单纯追求 AUC 提升更贴近患者和医生真正关心的终点。对患者而言，这意味着更少的创伤、焦虑和等待时间；对医疗系统而言，这意味着更高效的资源利用。

5. 超大规模多中心验证。 27,048 名受试者、8 个中心、7 个公开数据集的验证规模，在乳腺影像 AI 领域属于顶级水平，为模型的临床转化提供了坚实的证据基础。

6. 可解释性。 系统能输出模态贡献权重和注意力热图，使医生能够理解模型主要依据哪类影像信息做出决策，增强了临床信任度和采纳意愿。

六、应用前景

BINDS 的临床和科研应用前景广阔，主要体现在以下方向：

1. 乳腺专病门诊与影像诊断中心。 在病例量大、模态丰富的乳腺专病门诊，BINDS 可嵌入现有 PACS/RIS 系统，在超声/钼靶完成后自动触发第一阶段风险评估，帮助医生决定哪些病例需要尽快升级至 MRI 检查，哪些病例可以更保守地随访观察。

2. 减少不必要的穿刺活检。 这是 BINDS 最直接的临床价值。对于 BI-RADS 4 类可疑病灶，BINDS 的高阴性预测值可帮助医生更有信心地选择短期随访而非立即活检，从而减少患者痛苦和医疗资源浪费。

3. 高风险人群管理。 对于 BRCA1/2 突变携带者、致密乳腺人群、既往乳腺病变史等高危人群，BINDS 可将不同模态信息整合为更一致的风险分层结果，辅助制定个体化筛查和预防方案。

4. 基层医疗赋能。 在缺乏乳腺 MRI 设备和乳腺专科医生的基层医院，BINDS 可仅基于超声和/或钼靶进行初步风险评估，帮助基层医生判断哪些患者需要转诊至上级医院，优化分级诊疗流程。

5. 临床试验的患者筛选。 BINDS 的亚型分类和风险评估能力可帮助药企在乳腺癌临床试验中更精准地筛选受试者，加速入组、降低筛选失败率，并支持"影像 enriched"的临床试验设计。

6. 多学科协作（MDT）决策支持。 若 BINDS 能稳定输出风险评分、亚型线索和模态贡献权重，它有望成为乳腺肿瘤 MDT 讨论中的标准化辅助证据，为手术决策、新辅助治疗选择和随访策略制定提供客观依据。

7. "AI 影像+类器官"精准医疗闭环。 未来，BINDS 可与患者来源类器官（PDO）技术结合：AI 影像先行无创评估，筛选高风险患者进行类器官药物敏感性测试，再通过 AI 影像动态监测治疗反应，形成"影像预测—类器官验证—AI 动态监测"的精准医疗闭环。

七、研究局限性与未来方向

尽管 BINDS 取得了突破性成果，仍需冷静审视以下局限：

1. 回顾性设计。 当前研究基于回顾性数据，尽管规模庞大且多中心验证，但 BINDS 在真实临床工作流中的前瞻性效用——如能否真正改变活检决策、减少患者焦虑、降低医疗成本——仍需通过前瞻性随机对照试验验证。

2. 跨设备、跨中心、跨人群校准。 乳腺影像 AI 的核心挑战之一是不同品牌设备（如 GE、Siemens、Philips 超声/MRI）、不同扫描协议和不同人群（如亚洲 vs. 欧美女性乳腺密度差异）导致的领域偏移。尽管 BINDS 已纳入多中心和公开数据集，但真实部署时仍需针对特定设备和人群进行本地校准。

3. 影像-病理对齐的高成本依赖。 影像-病理对齐机制虽然有效，但依赖高质量的病理标注或配对信息。未来若要大规模推广，如何降低这类高成本标注依赖（如通过半监督或自监督学习），将是一个重要研究方向。

4. 漏诊风险与临床信任。 减少良性活检的同时，必须确保恶性病灶不被漏诊。BINDS 在"减少活检"和"零漏诊"之间如何找到最优平衡，以及临床医生对模型决策的信任程度，需要更多真实世界研究来回答。

5. 罕见乳腺癌亚型覆盖不足。 当前训练数据中对某些罕见乳腺癌亚型（如化生性癌、腺样囊性癌等）的覆盖可能不足，模型在这些罕见类型上的诊断性能需要进一步验证。

6. 纵向动态监测。 当前 BINDS 基于单次检查的影像数据，未来可整合多次随访影像，实现病灶的动态监测和进展预测，进一步提升临床价值。

7. 监管审批路径。 作为 AI 辅助诊断医疗器械，BINDS 需通过 NMPA、FDA 或 CE 等监管审批方可进入临床常规使用。审批过程中的数据隐私、算法公平性和临床证据标准等问题需要系统解决。

未来方向：研究团队计划进一步扩展 BINDS 至新辅助治疗疗效预测、术后复发风险评估等场景，并探索与基因组学、血液生物标志物的多模态融合，构建更全面的乳腺肿瘤精准诊疗 AI 平台。

八、结论

BINDS 代表了乳腺影像 AI 从"单模态识别"向"多模态临床决策"的重要范式转变。这项发表于 Nature Biomedical Engineering 的研究，不仅将诊断 AUC 做到了 0.973，更重要的是将"减少良性活检"这一临床化终点推到了前台——最高 32.4% 的良性活检减少，意味着每 100 例 BI-RADS 4 类患者中，约 23 例可以避免不必要的穿刺。

如果说上一阶段的医学影像 AI 在证明"模型会不会看图"，那么 BINDS 这类工作正在回答下一阶段的问题：模型能否在真实临床流程中帮助医生少做不必要的事，同时不放过真正危险的病灶？ 通过两阶段诊断框架、影像-病理对齐机制和弹性模态支持，BINDS 为这一问题提供了令人信服的初步答案。

随着前瞻性验证的推进和多模态融合技术的成熟，以 BINDS 为代表的多模态 AI 诊断系统有望成为乳腺专病门诊的"标配助手"，使精准、无创、高效的乳腺疾病诊断真正普惠可及——让每一位女性都能获得与其风险水平相匹配的精准影像评估，而不必承受不必要的穿刺创伤和等待焦虑。

参考文献

1. Gilbert FJ, Pinker-Domenig K. Diagnosis and Staging of Breast Cancer: When and How to Use Mammography, Tomosynthesis, Ultrasound, Contrast-Enhanced Mammography, and Magnetic Resonance Imaging. In: Hodler J, et al., editors. Diseases of the Chest, Breast, Heart and Vessels 2019-2022. Cham: Springer; 2019. PMID: 32096932.

2. D'Orsi CJ, Sickles EA, Mendelson EB, et al. ACR BI-RADS Atlas, Breast Imaging Reporting and Data System. American College of Radiology, 2013.

3. Sprague BL, Arao RF, Miglioretti DL, et al. National Performance Benchmarks for Modern Diagnostic Digital Mammography: Update from the Breast Cancer Surveillance Consortium. Radiology, 2017, 283(1): 59-69. PMID: 28244803.

4. Luo L, Wu J, Li Z, et al. A large model for non-invasive and personalized management of breast cancer from multiparametric MRI. Nature Communications, 2025. DOI: 10.1038/s41467-025-58798-z. PMID: 40246826.

5. Elías-Cabot E, Romero-Martín S, Raya-Povedano JL, et al. AI-based triage and decision support in mammography and digital tomosynthesis for breast cancer screening: a paired, noninferiority trial. Nature Medicine, 2026. DOI: 10.1038/s41591-026-04277-x. PMID: 41857202.

6. Li Y, Zhang J, Chen H, Yang L, Xie Y, Xu Q, et al. A deep learning system for non-invasive breast cancer diagnosis with multimodal data. Nature Biomedical Engineering, 2026. Published online May 19, 2026. DOI: 10.1038/s41551-026-01654-2. PMID: 42157015.