综述：人工智能辅助PET成像预测乳腺癌新辅助化疗疗效的系统评价与荟萃分析

　　本综述系统评价人工智能（AI）辅助PET成像预测乳腺癌新辅助化疗（NAC）反应的效能，荟萃分析显示其具有较高准确性（AUC 0.80），但存在显著异质性。研究建议未来需提升数据集质量、整合可解释人工智能（XAI）以促进临床转化。

　　

Abstract

Purpose

本研究旨在评估人工智能（AI）辅助PET成像在预测乳腺癌患者新辅助化疗（NAC）反应方面的性能。

Methods

系统检索了Ovid MEDLINE、Ovid Embase、Cochrane、Web of Science和IEEE Xplore数据库中截至2025年6月26日发表的研究，这些研究利用AI算法处理PET成像以预测乳腺癌NAC反应。提取了二分类诊断准确性数据进行荟萃分析，以曲线下面积（AUC）作为主要结局指标。进行了亚组分析和荟萃回归分析以探索异质性的潜在来源。

Results

18项研究符合系统评价条件，其中11项研究共907例患者纳入荟萃分析，汇总AUC为0.80（95%置信区间[CI]: 0.77–0.84）。然而，研究间存在显著异质性，敏感性的I2为79.65%（95% CI: 74.69–84.60），特异性的I2为86.62%（95% CI: 83.73–89.51）。荟萃回归分析显示，患者样本量以及模型中临床数据的整合是异质性的显著来源。

Conclusions

基于PET成像使用AI预测乳腺癌NAC治疗反应展现出令人鼓舞的准确性和临床应用的潜力。但其临床实施面临方法学变异性、数据集小、缺乏外部验证和有限可解释性的挑战。未来的研究应优先改善数据集质量和整合可解释人工智能（XAI），以促进AI在临床实践中的更广泛采用。

正文

乳腺癌是全球女性中最常见的恶性肿瘤之一，新辅助化疗（NAC）已成为局部晚期乳腺癌的标准治疗手段。准确预测患者对NAC的反应对于制定个体化治疗方案、避免无效治疗及其副作用至关重要。近年来，人工智能（AI）技术在医学影像分析领域展现出巨大潜力，尤其是在正电子发射断层扫描（PET）成像方面。PET成像能够提供肿瘤的代谢活性信息，而AI算法能够从这些复杂的图像数据中挖掘出深层次的、人眼难以识别的特征，从而实现对治疗反应的早期和精准预测。

本研究通过系统性地检索多个权威数据库，旨在全面评估AI辅助PET成像在此特定应用场景下的诊断性能。检索策略覆盖了Ovid MEDLINE、Ovid Embase、Cochrane Library、Web of Science以及工程领域的IEEE Xplore，确保了涵盖医学与工程技术交叉领域的研究，时间范围直至2025年6月，体现了该领域的最新进展。

方法与分析

纳入的研究均采用了基于AI的模型，这些模型包括传统的机器学习算法（如支持向量机-SVM、随机森林）和更先进的深度学习网络（如卷积神经网络-CNN）。分析的核心是提取这些研究的诊断性能数据，并采用荟萃分析（Meta-analysis）的方法进行定量汇总。结果以综合受试者工作特征曲线（SROC）下的面积（AUC）为主要指标，其值为0.80，表明该技术具有良好的整体判别能力。

然而，一个不容忽视的问题是研究间存在的高度异质性。I2统计量用于量化异质性程度，其值超过75%通常被认为异质性很大。本分析中敏感性和特异性的I2值分别高达79.65%和86.62%，这意味着研究结果之间存在显著的差异，不能简单地用一个汇总效应来代表。为了探寻这种差异的来源，研究者进行了荟萃回归分析。分析结果指出，两个因素至关重要：一是各研究纳入的患者样本量大小不一，样本量较小的研究其结果可能更不稳定；二是AI模型是否整合了临床数据（如肿瘤大小、组织学分级、激素受体状态等）。将影像组学特征与临床病理特征相结合的多模态模型，往往能表现出更优且更稳定的性能，这可能是降低异质性的一个关键方向。

挑战与展望

尽管结果显示AI辅助PET成像预测NAC反应具有高达0.80的AUC值，预示着广阔的临床转化前景，但通往常规临床应用的道路仍布满荆棘。首先，当前研究的方法学变异性较大，从图像采集与重建参数、感兴趣区域（ROI）勾画方式到所采用的AI模型架构均不尽相同，这直接导致了结果难以直接比较和整合。其次，小数据集问题普遍存在，有限的样本量不仅可能影响模型的性能，更容易导致过拟合，降低模型的泛化能力。第三，缺乏外部验证是另一个严峻挑战。大多数模型仅在内部数据集上进行了验证，其在新中心、新设备、新人群中的表现如何仍是未知数，这极大地限制了其普遍适用性。最后，AI模型的“黑箱”特性导致其有限的可解释性。临床医生需要了解模型做出预测的依据，而不仅仅是结果本身，这对于建立信任和明确治疗决策至关重要。

针对这些挑战，未来的研究方向应聚焦于以下几个方面：优先构建高质量、大样本、多中心的标准化数据集；积极推动模型的外部验证研究；最重要的是，将可解释人工智能（XAI） 技术融入开发流程。XAI旨在揭示AI模型的决策机制，使其预测过程对人类而言更加透明和可理解。通过解决这些关键问题，AI辅助PET成像有望真正成为乳腺癌精准医疗工具箱中一件强大而可靠的武器，为患者带来更多获益。