1956年，美国达特茅斯大学举行首次人工智能（artificial intelligence，AI）研讨会，John McCarthy等首先提出"人工智能"的概念 [1] 。AI是个多义词，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。1966年，美国学者Ledley首次提出"计算机辅助诊断（computer-aided diagnosis，CAD）"，是指通过影像学、医学图像处理技术以及其他手段，主要包括图像采集、图像预处理、感兴趣区域（region of interest，ROI）分割、特征提取和分类识别等，再结合计算机的分析，辅助发现病灶，提高诊断的准确率 [2] 。近年来，特别聚焦于基于医学图像的影像学、病理学辅助诊断与放疗图像配准和靶区勾画等 [3] 。多个顶级期刊近期都发表了AI在医学领域应用的综述或评论 [4,5,6,7] 。2019新年伊始，《Nature Medicine》综述了AI在医疗健康领域的实施现状与未来发展 [5] ，《CA（A Cancer Journal for Clinicians）》则聚焦于AI在肿瘤影像的应用与挑战 [6] 。AI在乳腺癌中的应用又如何？怎样理性地看待如此火热的AI?本文从以下4个方面对此做简要综述及简述笔者浅见。
一、AI与乳腺癌影像学
乳腺癌相关影像学主要包括乳腺X线摄影（mammography）、超声（ultrasound）、磁共振成像（magnetic resonance imaging，MRI）等技术，在乳腺癌的检出、诊断、疗效评估及随访中发挥重要作用 [8] 。20世纪80年代以来，随着计算机与信息技术、互联网技术与医学知识逐步深度融合，使得CAD在乳腺癌中的应用有了快速发展。
（一）乳腺X线摄影
乳腺X线摄影被广泛应用在乳腺癌的筛查和诊断。最近更新的2019v1美国国立综合癌症网络（National Comprehensive Cancer Network，NCCN）指南明确指出，在乳腺癌筛查方面，乳腺X线摄影仍然是各种影像技术中最重要的，因为其是目前唯一被证明可降低死亡率的方法 [8] 。2011至2015年间，美国乳腺癌死亡率每年以1.6%速度下降 [9] ，另一项纳入11个随机对照试验（randomized controlled trial，RCT）的Meta分析表明，接受筛查的女性乳腺癌死亡风险与对照组相比降低了20% [10] ，这得益于乳腺癌X线摄影筛查及治疗方法的进步。但乳腺X线摄影的假阳性率居高不下，以美国为例，每年约11.6%接受筛查的女性被召回 [11] ，基于3个RCT估计英国的过度诊断率约10.7% [10] 。而研究表明，CAD可降低假阳性率，其研究聚焦于提高肿块和微钙化的检出。1998年，美国R2 Technology公司研发的Image Checker乳腺CAD系统通过美国食品药品管理局（Food and Drug Administration，FDA）批准上市，成为最早投入临床应用的CAD系统，标志着乳腺CAD进入了实用化阶段。最初由其独领风骚，而今CAD研究呈现"百花齐放"局面，iCAD、CADx、DEUS、Fujifilm、Hologci、Confirma、CADVision、Carestream Health、东软等十多个公司陆续推出了各自的CAD系统 [12] 。从手动提取病变特征的传统机器学习到自适应提取原始数据特征的深度学习，从二维数字化乳腺X线摄影（2D digital mammography，2DDM）到与数字化乳腺X线断层（digital peast tomosynthesis，DBT）联合，乳腺癌检出率得以提高的同时降低了假阳性召回率。某项纳入超过10万人的Meta分析示，DBT癌灶检出率较2DDM每千人多检出1.6个癌，召回率下降了2.2%（ P 晚期二线治疗。总体来看，病例治疗越复杂，WFO与医师决策的符合率越低。
WFO智能决策显示出强大决策能力的同时也体现了其局限性，MCCC的研究表明，WFO与医师决策的一致性受肿瘤分期及患者年龄影响。此外，WFO在中国研究的表现并不能"因地制宜"，如国内外用药方案的差异、未能考虑国内药物可及性及效价比、不能兼顾医保等社会价值方面。AI辅助医师决策的优势在于重视循证医学证据、提高决策效率及更客观性，医师在借助智能决策的同时也要创新性地结合患者实际和指南共识为患者做出最适合的个体方案。
四、AI在乳腺癌其他领域的应用
（一）计算机预测模型与乳腺癌
NCCN指南肯定了计算机预测模型在乳腺癌中的应用价值 [8,17] ，与美国国立癌症研究所（National Cancer Institute，NCI）一致，推荐改良Gail模型（modified Gail Model）预测特定年龄女性罹患乳腺癌概率、适合筛查的起始及结束年龄，亦提及其他模型在预测疗效及预后的作用 [30,31,37] 等。2018年10月16日，施普林格自然旗下《乳腺癌研究与治疗》在线发表美国杜克大学、霍普金斯大学的研究报告，结果表明，利用计算机提取治疗前动态对比增强MRI特征的多因素人工智能机器学习模型，能够预测TNBC或HER2阳性乳腺癌患者的病理完全缓解（pCR）。其预测接受新辅助治疗的TNBC或HER2阳性患者pCR的AUC为0.707（95% CI ：0.582~0.833， P
