| ［1］ |
Kim J， Harper A， McCormack V， et al. Global patterns and trends in breast cancer incidence and mortality across 185 countries［J］. Nat Med， 2025， 31（4）：1154-1162.
|
| ［2］ |
Han B， Zheng R， Zeng H， et al. Cancer incidence and mortality in China， 2022［J］. J Natl Cancer Cent， 2024， 4（1）：47-53.
|
| ［3］ |
Mann GB， Skandarajah AR， Zdenkowski N， et al. Postoperative radiotherapy omission in selected patients with early breast cancer following preoperative breast MRI （PROSPECT）：primary results of a prospective two-arm study［J］. Lancet， 2024， 403（10423）：261-270.
|
| ［4］ |
Jing X， Wielema M， Cornelissen LJ， et al. Using deep learning to safely exclude lesions with only ultrafast breast MRI to shorten acquisition and reading time［J］. Eur Radiol， 2022， 32（12）：8706-8715.
|
| ［5］ |
唐玮，何融泉，黄素宁. 深度学习在乳腺癌影像诊疗和预后预测中的应用［J/OL］. 中华乳腺病杂志（电子版）， 2023， 17（6）：323-328.
|
| ［6］ |
Hosny A， Parmar C， Quackenbush J， et al. Artificial intelligence in radiology［J］. Nat Rev Cancer， 2018， 18（8）：500-510.
|
| ［7］ |
LeCun Y， Bengio Y， Hinton G. Deep learning［J］. Nature， 2015， 521（7553）：436-444.
|
| ［8］ |
Elharrouss O， Akbari Y， Almadeed N， et al. Backbones-review：feature extractor networks for deep learning and deep reinforcement learning approaches in computer vision［J］. Comput Sci Rev， 2024， 53：100645.
|
| ［9］ |
Litjens G， Kooi T， Bejnordi BE， et al. A survey on deep learning in medical image analysis［J］. Med Image Anal， 2017， 42：60-88.
|
| ［10］ |
Chen T， Kornblith S， Norouzi M， et al. A simple framework for contrastive learning of visual representations［C］//Proceedings of the 37th international conference on machine learning. Cambridge: JMLR. org， 2020：1597-1607.
|
| ［11］ |
Zhou B， Khosla A， Lapedriza A， et al. Learning deep features for discriminative localization［C］//2016 IEEE conference on computer vision and pattern recognition （CVPR）. Las Vegas：IEEE Computer Society， 2016：2921-2929.
|
| ［12］ |
Ardila D， Kiraly AP， Bharadwaj S， et al. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography［J］. Nat Med， 2019， 25（6）：954-961.
|
| ［13］ |
Azizi S， Culp L， Freyberg J， et al. Robust and data-efficient generalization of self-supervised machine learning for diagnostic imaging［J］. Nat Biomed Eng， 2023， 7（6）：756-779.
|
| ［14］ |
Radak M， Lafta HY， Fallahi H. Machine learning and deep learning techniques for breast cancer diagnosis and classification：a comprehensive review of medical imaging studies［J］. J Cancer Res Clin Oncol， 2023， 149（12）：10473-10491.
|
| ［15］ |
Bakker MF， de Lange SV， Pijnappel RM， et al. Supplemental MRI screening for women with extremely dense breast tissue［J］. N Engl J Med， 2019， 381（22）：2091-2102.
|
| ［16］ |
Gui H， Jiao H， Li L， et al. Breast tumor detection and diagnosis using an improved faster R-CNN in DCE-MRI［J］. Bioengineering， 2024， 11（12）：1217.
|
| ［17］ |
Jing X， Dorrius MD， Zheng S， et al. Localization of contrast-enhanced breast lesions in ultrafast screening MRI using deep convolutional neural networks［J］. Eur Radiol， 2024， 34（3）：2084-2092.
|
| ［18］ |
Anaby D， Shavin D， Zimmerman-Moreno G， et al. 'Earlier than early' detection of breast cancer in Israeli BRCA mutation carriers applying AI-based analysis to consecutive MRI scans［J］. Cancers （Basel）， 2023， 15（12）：3120.
|
| ［19］ |
Hirsch L， Huang Y， Makse HA， et al. Early detection of breast cancer in MRI using AI［J］. Acad Radiol， 2025， 32（3）：1218-1225.
|
| ［20］ |
Salim M， Liu Y， Sorkhei M， et al. AI-based selection of individuals for supplemental MRI in population-based breast cancer screening：the randomized ScreenTrustMRI trial［J］. Nat Med， 2024， 30（9）：2623-2630.
|
| ［21］ |
Hu Q， Whitney HM， Giger ML. A deep learning methodology for improved breast cancer diagnosis using multiparametric MRI［J］. Sci Rep， 2020， 10（1）：10536.
|
| ［22］ |
Witowski J， Heacock L， Reig B， et al. Improving breast cancer diagnostics with deep learning for MRI［J］. Sci Transl Med， 2022， 14（664）：eabo4802.
|
| ［23］ |
Feng H， Cao J， Wang H， et al. A knowledge-driven feature learning and integration method for breast cancer diagnosis on multi-sequence MRI［J］. Magn Reson Imaging， 2020， 69：40-48.
|
| ［24］ |
Wu J， Li Y， Gong W， et al. Multi-modality radiomics diagnosis of breast cancer based on MRI， ultrasound and mammography［J］. BMC Med Imaging， 2025， 25（1）：265.
|
| ［25］ |
Koboldt DC， Fulton RS， McLellan MD， et al. Comprehensive molecular portraits of human breast tumours［J］. Nature， 2012， 490（7418）：61-70.
|
| ［26］ |
Yin H， Bai L， Jia H， et al. Noninvasive assessment of breast cancer molecular subtypes on multiparametric MRI using convolutional neural network with transfer learning［J］. Thorac Cancer， 2022， 13（22）：3183-3191.
|
| ［27］ |
Ma M， Gan L， Jiang Y， et al. Radiomics analysis based on automatic image segmentation of DCE-MRI for predicting triple-negative and nontriple-negative breast cancer［J］. Comput Math Methods Med， 2021， 2021：2140465.
|
| ［28］ |
Fan M， Yuan C， Huang G， et al. A framework for deep multitask learning with multiparametric magnetic resonance imaging for the joint prediction of histological characteristics in breast cancer［J］. IEEE J. Biomed. Health Inform， 2022， 26（8）：3884-3895.
|
| ［29］ |
Xie X， Zhou H， Ma M， et al. A deep learning model for predicting molecular subtype of breast cancer by fusing multiple sequences of DCE-MRI from two institutes［J］. Acad Radiol， 2024， 31（9）：3479-3488.
|
| ［30］ |
Martina Jaincy DE， Pattabiraman V. BCDCNN：breast cancer deep convolutional neural network for breast cancer detection using MRI images［J］. Sci Rep， 2025， 15（1）：29014.
|
| ［31］ |
Wang S， Dai Y， Shen J， et al. Research on expansion and classification of imbalanced data based on SMOTE algorithm［J］. Sci Rep， 2021， 11（1）：24039.
|
| ［32］ |
Ghavidel A， Pazos P. Machine learning （ML） techniques to predict breast cancer in imbalanced datasets：a systematic review［J］. J Cancer Surviv， 2025， 19（1）：270-294.
|
| ［33］ |
Pan X， Wang P， Jia S， et al. Multi-contrast learning-guided lightweight few-shot learning scheme for predicting breast cancer molecular subtypes［J］. Med Biol Eng Comput， 2024， 62（5）：1601-1613.
|
| ［34］ |
Zhang X， Liu M， Ren W， et al. Predicting of axillary lymph node metastasis in invasive breast cancer using multiparametric MRI dataset based on CNN model［J］. Front Oncol， 2022， 12：1069733.
|
| ［35］ |
Guo YJ， Yin R， Zhang Q， et al. MRI-based kinetic heterogeneity evaluation in the accurate access of axillary lymph node status in breast cancer using a hybrid CNN-RNN model［J］. J Magn Reson Imaging， 2024， 60（4）：1352-1364.
|
| ［36］ |
Liu W， Li L， Deng J， et al. A comprehensive approach for evaluating lymphovascular invasion in invasive breast cancer：leveraging multimodal MRI findings， radiomics， and deep learning analysis of intra- and peritumoral regions［J］. Comput Med Imaging Graph， 2024， 116：102415.
|
| ［37］ |
Wang H， Mao X. Evaluation of the efficacy of neoadjuvant chemotherapy for breast cancer［J］. Drug Des Devel Ther， 2020， 14：2423-2433.
|
| ［38］ |
李建辉，蔺光帅. 新辅助化疗对乳腺癌手术方式的影响 ［J/OL］. 中华乳腺病杂志（电子版）， 2020， 14（4）：240-243.
|
| ［39］ |
Cortazar P， Zhang L， Untch M， et al. Pathological complete response and long-term clinical benefit in breast cancer：the CTNeoBC pooled analysis［J］. Lancet， 2014， 384（9938）：164-172.
|
| ［40］ |
Kim SY， Lee J， Cho N， et al. Deep-learning based discrimination of pathologic complete response using MRI in HER2-positive and triple-negative breast cancer［J］. Sci Rep， 2024， 14（1）：23065.
|
| ［41］ |
Janse MHA， Janssen LM， Wolters-van der Ben EJM， et al. Deep learning-based radiomics does not improve residual cancer burden prediction post-chemotherapy in LIMA breast MRI trial［J］. Eur Radiol， 2026， 36（2）：850-862.
|
| ［42］ |
Mao N， Dai Y， Zhou H， et al. A multimodal and fully automated system for prediction of pathological complete response to neoadjuvant chemotherapy in breast cancer［J］. Sci Adv， 2025， 11（18）：eadr1576.
|
| ［43］ |
Zhou Z， Adrada BE， Candelaria RP， et al. Prediction of pathologic complete response to neoadjuvant systemic therapy in triple negative breast cancer using deep learning on multiparametric MRI［J］. Sci Rep， 2023， 13（1）：1171.
|
| ［44］ |
Gao Y， Ventura-Diaz S， Wang X， et al. An explainable longitudinal multi-modal fusion model for predicting neoadjuvant therapy response in women with breast cancer［J］. Nat Commun， 2024， 15（1）：9613.
|
| ［45］ |
Yu Y， Chen R， Yi J， et al. Non-invasive prediction of axillary lymph node dissection exemption in breast cancer patients post-neoadjuvant therapy：a radiomics and deep learning analysis on longitudinal DCE-MRI data［J］. Breast， 2024， 77：103786.
|
| ［46］ |
Li Z， Gao J， Zhou H， et al. Multiregional dynamic contrast-enhanced MRI-based integrated system for predicting pathological complete response of axillary lymph node to neoadjuvant chemotherapy in breast cancer：multicentre study［J］. EBioMedicine， 2024， 107：105311.
|
| ［47］ |
Tang W， Jin C， Kong Q， et al. Development and validation of an MRI spatiotemporal interaction model for early noninvasive prediction of neoadjuvant chemotherapy response in breast cancer：a multicentre study［J］. eClinicalMedicine， 2025， 85：103298.
|
| ［48］ |
Liu J， Li X， Wang G， et al. Time-series MR images identifying complete response to neoadjuvant chemotherapy in breast cancer using a deep learning approach［J］. J Magn Reson Imaging， 2025， 61（1）：184-197.
|
| ［49］ |
Ma M， Gan L， Liu Y， et al. Radiomics features based on automatic segmented MRI images：prognostic biomarkers for triple-negative breast cancer treated with neoadjuvant chemotherapy［J］. Eur J Radiol， 2022， 146：110095.
|
| ［50］ |
Ha R， Chang P， Mutasa S， et al. Convolutional neural network using a breast MRI tumor dataset can predict oncotype Dx recurrence score［J］. J Magn Reson Imaging， 2019， 49（2）：518-524.
|
| ［51］ |
Dammu H， Ren T， Duong TQ. Deep learning prediction of pathological complete response， residual cancer burden， and progression-free survival in breast cancer patients［J］. PLoS One， 2023， 18（1）：e0280148.
|
| ［52］ |
Kelly CJ， Karthikesalingam A， Suleyman M， et al. Key challenges for delivering clinical impact with artificial intelligence［J］. BMC Med， 2019， 17（1）：195.
|
| ［53］ |
Liu X， Deng Y， Nallanathan A， et al. Federated learning and meta learning：approaches， applications， and directions［J］. IEEE Commun Surv Tutorials， 2024， 26（1）：571-618.
|
| ［54］ |
Dobson JE. On reading and interpreting black box deep neural networks［J］. Int J Digit Humanit， 2023， 5（2）：431-449.
|
| ［55］ |
Lin FPC， Hosseinalipour S， Michelusi N， et al. Delay-aware hierarchical federated learning［J］. IEEE Trans Cogn Commun Netw， 2024， 10（2）：674-688.
|
| ［56］ |
Nguyen HT， Sehwag V， Hosseinalipour S， et al. Fast-convergent federated learning［J］. IEEE J Sel Areas Commun， 2021， 39（1）：201-218.
|
| ［57］ |
Li Y， Yang S， Ren X， et al. Multi-stage asynchronous federated learning with adaptive differential privacy［J］. IEEE Trans Pattern Anal Mach Intell， 2024， 46（2）：1243-1256.
|