Nature Biomedical Engineering：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%

一、研究背景

乳腺癌影像诊断正处在一个关键转折点。临床上，超声、钼靶和 MRI 各有优势，但单一模态往往难以完整回答“是不是癌”“风险有多高”“是否需要立刻活检”这几个最关键的问题。现实流程里，医生也很少只看一张图，而是会根据初筛结果决定是否追加 MRI、是否结合病理和临床信息继续判断。

过去几年，乳腺影像 AI 已经从“单任务分类器”逐步走向“临床工作流工具”。例如，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，并进一步预测三阴性乳腺癌和新辅助治疗后的病理完全缓解。Elías-Cabot 等发表于 Nature Medicine 的前瞻性临床试验则显示，AI 在乳腺筛查流程中可以显著减少影像医生工作量，但真正的挑战已经不再只是筛查端“能不能少看片”，而是诊断端“能不能更稳地减少不必要活检”。

这正是本次解读论文切入的问题。2026 年 5 月 19 日在线发表于 Nature Biomedical Engineering 的论文《A deep learning system for non-invasive breast cancer diagnosis with multimodal data》提出 BINDS 系统，试图把超声、钼靶和 MRI 串成一个更接近真实门诊路径的无创诊断框架。

二、创新点

BINDS 的第一层创新，不是简单把多种图像拼接在一起，而是把模型设计成两阶段诊断流程。按照论文摘要，第一阶段先使用超声和/或钼靶进行初始风险评估；第二阶段再在需要时引入 MRI，完成更全面的多模态诊断。这种设计更贴近真实医疗路径，而不是把所有病例都强行塞进同一种高成本流程。

第二层创新，是作者提出了radiology-pathology alignment（影像-病理对齐）机制。论文的核心思路不是让影像模型只学“像不像癌”，而是尽量让影像特征向病理相关表征靠拢，从而提升模型对肿瘤生物学差异的感知能力。

第三层创新，是对输入模态的弹性支持。论文摘要明确指出，BINDS 在训练和验证中支持灵活的模态组合，这意味着它不是只适用于“所有检查都完整齐全”的理想场景，而是试图适配临床中常见的模态缺失与流程差异。

三、技术原理

从论文摘要和作者公开代码仓库可以看出，BINDS 的技术路线大致分为三层。

第一层是模态级预处理。作者在公开仓库中说明，超声和钼靶图像会先提取病灶中心 ROI；MRI 则先做乳腺和肿瘤自动分割，再提取 3D ROI。这样做的目的，是尽量让模型聚焦真正影响诊断决策的病灶区域，而不是被大面积背景噪声拖累。

第二层是单模态编码器训练。作者公开仓库显示，BINDS 会分别训练病理编码器和多个放射影像编码器。这里最关键的一步，是在放射影像编码器训练时引入病理相关特征对齐，让超声、钼靶、MRI 的表征尽可能向病理判读相关信号靠拢。

第三层是多模态融合与两阶段推理。在完成单模态预训练后，系统再进行多模态微调。仓库还显示，推理阶段不仅能输出最终预测，还能给出模态贡献和注意力图，这为医生理解“模型主要依据了哪一类影像信息”提供了基础。

这套技术路线的本质，不是把多模态数据简单堆叠，而是把“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。

四、实验结果

这篇论文最硬的部分，是结果非常聚焦临床价值。

根据论文摘要，BINDS 的开发和验证共使用了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。这说明作者不是在单中心小样本上做概念验证，而是尽量把模型推向跨中心、多来源的验证环境。

在总体性能上，BINDS 的AUC 达到 0.973。对于乳腺癌影像诊断任务来说，这已经属于非常高的区分能力。

更值得临床关注的是，论文指出该系统最高可帮助放射科医生减少 32.4% 的良性病变活检。这意味着模型的价值不仅是“多检出癌症”，更可能是“少做本来没有必要做的穿刺或手术活检”。对患者而言，这直接关系到焦虑、创伤、等待时间和医疗成本；对影像科和乳腺外科而言，则关系到资源使用效率。

此外，论文还强调 BINDS 可用于乳腺癌风险评估和亚型分类。这使它的定位不只是一个二分类器，而更像一个能够前移风险判断的决策支持系统。

五、技术优势

BINDS 的优势主要体现在四点。

第一，它不是脱离临床流程的纯算法指标竞赛，而是把超声、钼靶和 MRI 的使用顺序嵌入模型结构中，更接近真实世界诊疗路径。

第二，它把病理信息“借”给了影像模型。影像-病理对齐机制的意义在于，让影像特征学习不止停留在表面纹理，而是尽量贴近病理生物学差异。

第三，它支持模态不完整输入。对很多医院尤其重要，因为真实世界里并不是每位患者都能完成标准化 MRI，模型如果只能在“全模态齐备”时工作，落地价值会明显打折。

第四，它的目标函数对临床更友好。减少良性活检，比单纯追求 AUC 更贴近患者和医生真正关心的终点。

六、应用前景

如果后续研究进一步证明 BINDS 的稳健性，它最有潜力落地在三类场景。

第一类是乳腺专病门诊和影像诊断中心。这里病例量大、模态丰富，最适合部署分阶段多模态 AI，帮助医生决定哪些病例需要尽快升级检查，哪些病例可以更保守地随访。

第二类是高风险人群管理。对于遗传高危、既往乳腺病变或致密乳腺人群，BINDS 这类系统有望把不同模态信息整合成更一致的风险分层结果。

第三类是多学科协作场景。若模型能稳定输出风险、亚型线索和模态贡献，它有机会成为 MDT 讨论中的标准化辅助证据，而不只是单科室内部工具。

七、局限性与未来方向

这项研究虽然亮眼，但也有几个必须冷静看的问题。

第一，基于我们本次获取到的论文摘要和作者公开仓库信息，BINDS 的关键优势已相当明确，但真实世界前瞻性干预效果仍需进一步验证。高 AUC 并不自动等于流程部署后的实际获益。

第二，跨设备、跨中心、跨人群校准仍然是乳腺影像 AI 的核心难题。即便论文已经纳入多中心和公开数据集，真实部署时仍要面对扫描协议、设备品牌、病灶谱和转诊结构差异。

第三，影像-病理对齐虽然很有吸引力，但它通常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，会是一个现实问题。

第四，模型如果要真正减少不必要活检，就必须在漏诊风险、医生信任和解释性之间找到更稳妥的平衡。临床不会只接受“模型说不用活检”，还需要知道它为什么这么判断。

八、结论

BINDS 代表了乳腺影像 AI 的一个重要方向变化: 从单模态识别，走向多模态、分阶段、贴近真实诊疗路径的无创决策支持。

这篇 Nature Biomedical Engineering 论文最重要的信号，不只是把 AUC 做到了 0.973，而是把“减少良性活检”这个更临床化的终点推到了台前。对医学影像科、乳腺专科医生和 AI 医疗从业者来说，这比单纯再提升几点分类性能更值得关注。

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。

参考文献

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. Published online May 19, 2026. DOI: 10.1038/s41551-026-01654-2. PMID: 42157015.

Luo L, Wu J, Li Z, Xin B, Wang X, Vardhanabhuti V, et al. A large model for non-invasive and personalized management of breast cancer from multiparametric MRI. Nature Communications. Published online April 17, 2025. DOI: 10.1038/s41467-025-58798-z. PMID: 40246826.

Elías-Cabot E, Romero-Martín S, Raya-Povedano JL, Rodríguez-Ruiz A, Álvarez-Benito M. AI-based triage and decision support in mammography and digital tomosynthesis for breast cancer screening: a paired, noninferiority trial. Nature Medicine. Published online March 19, 2026. DOI: 10.1038/s41591-026-04277-x. PMID: 41857202.