乳腺癌是对女性健康威胁最大的癌症疾病之一,其死亡率在女性癌症中高居前列。早期检查、早期诊断和及时治疗能有效降低患者的死亡率,改善患者预后。然而,在筛查诊断过程中,由于临床以及设备因素的影响,仍然存在误诊和漏诊的现象。对于局部晚期及可手术治疗的乳腺癌患者,新辅助化疗（NeoAdjuvant Chemotherapy,NAC）方案已被广泛应用,它能为患者的后续治疗创造更好的生理病理条件。但是,NAC存在病理完全响应（Pathologic Complete Response,pCR）率较低的问题。随着人工智能技术的发展和计算机算力的提升,影像组学和深度学习算法被提出,它们能挖掘高维度、深层次的特征,进而提升辅助诊断模型的预测能力。该技术有望协助放射科医生降低诊断过程中的误诊率和漏诊率,并为患者个性化治疗方案的制定提供帮助。因此,本文利用人工智能技术,对乳腺病灶辅助诊断和NAC治疗前疗效预测开展了相关研究。主要研究内容如下:1.基于影像组学的乳腺微钙化簇病灶辅助诊断模型微钙化簇病灶是乳腺癌诊断的重要征象。但是,微钙化簇病灶与容易定量分析的肿块病灶不同,它在数字乳腺断层摄影（Digital Breast Tomosynthsis,DBT）图像中的强度（亮度）、形状或直径等影像学诊断指标难以量化。因此,本文提出了一个基于影像组学的辅助诊断模型,通过对微钙化簇特征的定量分析和模型预测,辅助医生进行诊断。首先,该模型使用半自动分割算法获取微钙化簇的分割标签。其次,从局部微钙化点和全局微钙化簇层面提取定量影像组学特征。最后,通过特征筛选和随机森林分类器的训练构建辅助诊断模型。研究结果表明,微钙化点的强度（亮度）和微钙化簇整体形态分布对于辅助诊断至关重要。此外,针对半自动分割的鲁棒性分析实验,验证了该模型的稳定性。本研究首次在真实临床DBT数据中构建辅助诊断模型,有效帮助医生对患者微钙化簇病灶进行精准诊断。2.基于互补特征融合网络的乳腺病灶辅助诊断模型现有的多序列磁共振成像（Magnetic Resonance Imaging,MRI）辅助诊断模型研究主要将不同序列MRI信息映射到同一特征空间进行辅助诊断的学习。然而,只学习不同序列MRI在同一特征空间的相关性信息意味着大量序列特异性信息的丢失,这可能限制了特征鉴别能力的上限。因此,本文构建了一个基于互补特征融合网络（Complementary Feature Fusion Convolutional Neural Network,CFF-Net）的辅助诊断模型。该模型通过互补特征提取结构的设计挖掘序列特异性信息。同时,结合生成对抗策略对互补特征进行增强。最后,设计特征注意力（Feature Attention,FA）模块模仿医生对不同序列特征进行自适应地加权融合,提高特征融合的效率。研究结果验证了,网络模型中互补特征的融入对乳腺病灶辅助诊断性能的提升具有重要价值。此外,多中心和不同MRI序列组合的对比实验验证了该模型具有较好的鲁棒性。3.基于多源信息融合网络的乳腺癌新辅助化疗疗效预测模型基于动态增强 MRI（Dynamic contrast-enhanced MRI,DCE-MRI）图像、药代动力学参数或病理分子信息的单一数据源模型均不能在NAC治疗前有效地预测患者的病理响应情况。因此,本文首次将三类数据源信息进行融合,设计了一个多源信息融合网络,实现NAC治疗前的疗效预测。研究结果表明,该模型对空间异质性信息、肿瘤微血管功能和微观肿瘤细胞特征的多源信息融合,使得模型具有较好的疗效预测性能。与影像组学模型的结果对比展示了该深度、学习模型优秀的表征学习能力。该模型在NAC治疗前的预测能力与多轮NAC治疗后数据构建的模型预测能力相近,而且具有更大的临床价值。该研究为乳腺癌患者个性化治疗方案的制定提供了重要指导价值。