[摘要]"乳腺癌是全球女性中最常见的肿瘤之一。乳腺导管原位癌和浸润性导管癌是乳腺癌的常见病理类型。在治疗方法和患者预后结局方面，乳腺导管原位癌和浸润性导管癌存在明显差异，术前准确辨识乳腺癌的病理类型可为临床个体化治疗策略的制定提供重要参考。近年来，医学影像学及人工智能在乳腺癌鉴别诊断中展现出巨大应用潜力。本文对医学影像学及人工智能在乳腺导管原位癌和浸润性导管癌鉴别诊断中的应用现状进行总结，并对未来这一领域的发展方向予以展望，为临床实践提供有益参考。

    [关键词]"乳腺癌；人工智能；医学影像学；乳腺导管原位癌；浸润性导管癌

    [中图分类号]"R445;"R737.9""""""[文献标识码]"A""""""[DOI]"10.3969/j.issn.1673-9701.2025.09.021

    乳腺癌是全球女性中最常见的肿瘤之一[1]。乳腺导管原位癌(ductal"carcinoma"in"situ，DCIS)通常起源于终末导管小叶单位，属于局限于乳腺导管内的原位性肿瘤。DCIS被认为是浸润性导管癌(invasive"ductal"carcinoma，IDC)的前期阶段，DCIS未经治疗可能演变为IDC。《中国抗癌协会乳腺癌诊治指南与规范(2024年版)》[2]建议DCIS患者行保乳术前无需进行腋窝淋巴结清扫；但临床上仍存在为降低IDC漏诊率对DCIS患者进行前哨淋巴结活检的情况。因此，术前准确识别DCIS和IDC对减轻患者负担具有重要临床意义。乳腺肿瘤的临床诊断主要基于影像学手段，如乳腺X线摄影、磁共振成像(magnetic"resonance"imaging，MRI)和超声检查[2]。对比增强乳腺X线摄影作为近年来新兴的乳腺成像方法也是原发性乳腺癌诊断和分期的重要工具，目前已逐渐应用于临床。人工智能(artificial"intelligence，AI)是计算机科学的重要领域，机器学习是实现AI的关键途径，深度学习作为机器学习的特殊分支，借助神经网络训练达成更高级别的智能化。AI技术非常适用于医学成像领域，可执行诸多任务，包括病变检测、分割和分类等。

    1""常规影像学方法鉴别诊断DCIS和IDC

    乳腺X线摄影、超声和MRI是临床常用的乳腺影像学检查手段，分别在显示微钙化、观察内部结构与血流、呈现微观结构辅助识别浸润性病变方面各有优势，联合使用可提高诊断准确性。然而，因DCIS和IDC影像学表现存在重叠，准确区分二者对制定合适治疗方案意义重大，亟待探索优化基于不同影像学特征的鉴别方法。

    1.1""乳腺X线摄影 ......