万孚生物参股公司赛维森科技再登顶刊，乳腺癌AI成果发表《Nature Communications》

近日，万孚生物参股公司赛维森科技与中山大学孙逸仙纪念医院等研究团队联合攻关的乳腺癌腋窝淋巴结AI辅助诊断研究成果，正式发表于国际顶级期刊《Nature Communications》（影响因子18.1）。这是继宫颈、甲状腺、尿液、淋巴结转移等AI辅助诊断系统之后，赛维森在乳腺影像AI领域的又一里程碑式产学研合作成果。

乳腺癌是全球女性发病率最高的恶性肿瘤。此次发表的研究聚焦于乳腺癌诊疗中的核心痛点——腋窝淋巴结（ALN）状态评估。作为决定乳腺癌手术方案的关键依据，前哨淋巴结（SLN）是否转移、转移负荷轻重、非前哨淋巴结（NSLN）是否受累，直接关系到患者是否需要进行前哨淋巴结活检（SLNB）或腋窝淋巴结清扫（ALND）。然而，传统评估依赖触诊、超声及有创活检，SLNB和ALND均可能带来淋巴水肿、上肢活动受限等并发症（发生率3.7%-40%）。现有影像AI模型多局限于单任务、单区域预测，无法满足术前一体化精准诊断需求，制约了腋窝手术“降阶梯”策略的临床落地。

针对这一临床难题，赛维森科技携手中山大学孙逸仙纪念医院沈君教授、张翔教授及其团队，基于乳腺多参数MRI（mpMRI）构建了一套BCALN-Net模型。该模型创新性地采用nnU-Net自动分割+分层多任务深度学习框架，能够同步完成三大关键预测任务：前哨淋巴结（SLN）转移与否、SLN转移负荷（低/高）、非前哨淋巴结（NSLN）转移与否，实现乳腺癌腋窝淋巴结状态的非侵入性、一体化、智能化评估。

在数据规模上，该研究纳入了国内10家三甲医院的6271例浸润性乳腺癌患者数据，覆盖四大厂商39台MRI设备，最大程度规避了单中心、单设备偏差。同时，基于nnU-Net衍生的BCALNSeg-Net，全自动勾画乳腺肿瘤+腋窝双区域VOI，省去数小时人工标注。此外，该模型整合了T2WI、DWI、动态增强（DCE）三序列的三维体积信息，能够捕捉二维影像容易遗漏的空间侵袭特征。头对头对照显示，BCALN-NetSLN预测AUC 0.830，显著优于超声 AI模型（0.641，P<0.001）。

性能验证结果显示，BCALN-Net模型在各项任务中均表现出极高的稳定性和准确性。可解释性方面，Grad-CAM 热力图显示模型权重精准聚焦于肿瘤边缘浸润区域及腋窝淋巴结实质，而非伪影或无关背景，有效破解AI“黑箱”信任难题。

更值得关注的是，该研究成果在临床应用层面展现出显著的价值。研究模拟了两个关键临床场景：一是避免不必要的前哨淋巴结活检（SLNB），二是避免腋窝淋巴结清扫（ALND）。数据显示，BCALN-Net模型能够识别出75.0%的SLN阴性患者，其中94.0%的预测结果与病理金标准一致；在筛选适合免于ALND的患者时，AI模型准确率高达98.2%。这表明AI模型能够有效辅助医生实施“腋窝降阶梯治疗”策略，最大程度减少患者创伤。

此次成果的发表，是赛维森科技在“AI+数智病理”领域产学研合作的又一重要里程碑，该研究通过乳腺MRI多任务深度学习，打通“影像-病理”全链条数智化。赛维森以“训-推-算-诊-存”数智生态体系为核心，通过与顶尖临床团队深度合作，持续推动AI辅助诊断从单点突破走向系统化、一体化、临床可落地的解决方案。