乳腺癌是全球最常见的癌症之一，居于女性恶性肿瘤发病率首位，其发病率和死亡率呈逐年上升的趋势^{[1, 2, 3]}。新辅助化疗（neoadjuvant chemotherapy, NACT）具有检测肿瘤对药物的敏感性、缩小术前肿块体积、提高保乳治疗率的优势^{[4, 5]}，美国国立综合癌症网络（National Comprehensive Cancer Network, NCCN）乳腺癌临床实践指南和欧洲肿瘤内科学会（European Society for Medical Oncology, ESMO）指南已将新辅助化疗作为局部进展期乳腺癌早期治疗的标准方案^{[6, 7]}。已有研究表明，乳腺癌患者经NACT后若能达到病理完全缓解（pathologic complete response, pCR），意味着可获得更长的总生存期和无病生存期^{[8, 9]}。但因患者个体差异及肿瘤异质性，接受NACT后患者的pCR率为10%～62%，对于无效者反而会带来治疗相关成本及药物毒副作用^[10]。因此，在NACT早期阶段进行个体疗效预测并筛选潜在获益患者对于临床诊治具有重要意义。

影像学检查在乳腺癌NACT过程中具有举足轻重的作用，其结果判读将直接指导临床治疗决策^{[11, 12, 13]}。随着成像技术的快速发展以及人工智能方法在医学图像的广泛应用，基于影像图像评估及预测乳腺癌NACT疗效取得了较好效果，尤其是基于纵向时间影像数据^{[14, 15]}。纵向时间影像指的是乳腺癌患者接受NACT前后进行多次影像学检查，以用于动态评估和预测NACT疗效。本文系统地梳理了纵向时间影像预测乳腺癌NACT疗效的研究现状及面临的问题，并对未来应用前景进行了展望。本文旨在为今后纵向时间影像预测乳腺癌NACT疗效的研究提供思路。

手术病理检测为NACT后是否达到pCR的金标准，但其具有滞后性等缺点，无法在NACT早期指导临床治疗方案决策^[16]。影像学检查贯穿乳腺癌患者诊疗全过程，已成为评估NACT疗效的重要方法^[17]。目前常用的影像学检查包括：乳腺钼靶、超声及MRI等^{[18, 19, 20]}。临床主要采用实体瘤疗效评价标准（response evaluation criteria in solid tumors, RECIST）1.1评价体系，将疗效分为完全缓解、部分缓解、疾病进展以及疾病稳定四类^{[21, 22]}。然而，凭借肉眼捕捉的宏观形态学改变来评价疗效具有许多局限性，难以满足临床精准预测疗效的需求^[23]。

随着人工智能在医学图像中的发展，将深度学习（deep learning, DL）与影像图像相结合的处理方式备受青睐。DL可将原始影像数据直接输入模型，减少人工操作，降低主观因素对数据的影响^[24]，其主要通过卷积神经网络（convolutional neural network, CNN）自动提取影像潜在细微特征以完成分类和预测任务。越来越多的研究表明，DL在乳腺癌NACT疗效的预测中具有极大的发展潜力^{[25, 26]}。

目前，大多数研究是基于单一时间影像来预测NACT疗效^{[27, 28]}。如AGHAEI等^[29]提出了一种计算机辅助检测方法，从68例乳腺癌患者接受NACT前的MRI影像中提取动力学特征，通过建立的人工神经网络实现了对NACT疗效的预测。然而，已有研究发现，肿瘤内部药物代谢的动力学特征、纹理特征等均会在治疗过程产生变化^{[30, 31, 32, 33]}。因此，单个时间点的影像学检查不足以表征肿瘤在治疗过程中产生变化的特有属性，难以准确评估乳腺癌NACT疗效，而NACT前后的肿瘤异质性变化是预测疗效的重要信息。基于此，深入开展纵向时间影像特征的动态变化研究，以便早期精准预测NACT反应势在必行。

以上研究表明，肿瘤对NACT有反应时，肿瘤及其微环境将发生变化，这些变化通常不容易被影像医生肉眼观察到，而使用DL模型结合纵向时间影像将有助于挖掘肿瘤内部微观特征变化，从而更全面地监测肿瘤动态变化，为乳腺癌患者是否继续接受NACT提供临床决策参考。目前，该研究的发展亦面临一些问题与挑战：（1）现有研究绝大多数为回顾性研究，缺少前瞻性研究验证纵向时间影像在预测乳腺癌NACT疗效中的作用；纵向时间影像数据样本量少，国内目前暂无公开的乳腺癌纵向时间影像数据集，而国外公开的数据集病例较少且大多需要重新勾画感兴趣区（region of interest, ROI）。（2）纵向时间影像数据采集较为困难，乳腺癌患者接受NACT过程中的纵向时间影像学检查的最佳时间节点缺乏统一的规范和标准。乳腺影像学方法多种多样，MRI常规扫描也包含多个序列，目前大部分研究主要聚焦于单一模态或单一序列，忽视了多模态影像及多序列MRI的互补作用^{[52, 53]}。因此，多模态、多序列纵向研究的组合方案可能是未来的研究方向之一。（3）使用DL结合纵向时间影像需要海量样本，而临床数据通常是稀有的、不平衡的，难以满足DL模型的训练需求。现有的研究模型泛化性能普遍较差且DL的“黑匣子”问题依然存在，无法为医生提供可视化过程，造成模型的可解释性差，因此导致其在临床的推广应用较为困难^{[54, 55]}。

综上所述，基于纵向时间影像预测乳腺癌NACT疗效在临床治疗决策中具有较大的发展潜力。虽然该研究的发展面临一些问题，但随着人工智能的发展和医学水平的不断进步，基于纵向时间影像预测乳腺癌NACT疗效的方法可能有助于提高临床决策的准确性，具有广阔的发展前景。

未来可以开展研究评估不同时间节点对于预测NACT疗效的准确性，或通过临床实践经验来确定纵向时间影像学检查的最佳时间节点。还可以通过多模态、多序列的纵向时间影像来提高预测NACT疗效的准确性。此外，由于目前大多研究样本量较少且缺乏对外部数据集的验证。因此，今后的研究还可以联合多中心、大样本数据进一步提升模型的预测性能和泛化性能。