近日，汕头大学工学院生物医学工程系周本青团队与上海交通大学医学院附属第一人民医院王中领团队在国际著名期刊Advanced Science（IF=14.1，中国科学院一区TOP）发表题为“AI-Assisted Tumor Boundary Delineation via Targeted Ultrasmall Iron Oxide Nanoprobe for High-Contrast HER2-Positive Tumor Imaging”的研究性论文，汕头大学为第一单位。

乳腺癌是女性最常见的恶性肿瘤之一，其中HER2阳性乳腺癌约占20%，具有侵袭性强、转移风险高等特点。临床上，准确识别病灶并清晰勾画肿瘤边界，对于诊断、手术范围判断及个体化治疗具有重要意义。MRI具有无创、软组织分辨率高等优势，但高灵敏成像通常依赖对比剂。传统钆基T1对比剂存在循环时间短、组织分布缺乏特异性及潜在安全风险，超小氧化铁纳米颗粒（USIO NPs）因粒径小、生物相容性较好、表面易功能化，可作为潜在的T1型MRI对比剂。与此同时，深度学习人工智能技术在医学图像分割中的快速发展，使肿瘤区域能够从三维影像中被自动识别与重建。因此，一个值得探究的关键问题在于：能否从“成像探针”与“图像深度学习”两个维度协同发力，在增强HER2阳性肿瘤真实T1信号的同时，借助人工智能技术精准勾勒肿瘤边界，从而实现乳腺癌的精准诊断与术中导航？

针对上述问题，研究报道了一种曲妥珠单抗（Tmab）修饰的超小氧化铁纳米探针USIO@Tmab NPs，并将其与3D nnU-Net深度学习框架结合，用于HER2阳性乳腺肿瘤的高对比MRI和边界勾画。该体系形成了“靶向成像+微环境激活+AI分割”的协同策略：Tmab单抗负责识别HER2受体，USIO纳米颗粒在肿瘤酸性微环境中被激活并增强T1信号，随后通过3D nnU-Net深度学习技术对三维MRI数据进行自动分割和可视化。

材料表征显示，USIO核心粒径约2.2 nm，与Tmab抗体结合后仍保持良好分散性和超顺磁性，蛋白负载效率约80.5%。该探针具有良好的pH响应性MR成像性能：在pH 7.4时，其纵向弛豫率r1仅为1.43 mM-1·s-1；当pH降低至5.0时，r1升至4.07 mM-1·s-1，约提高2.85倍。作者认为，酸性条件促使USIO@Tmab结构解离，使USIO与周围水分子的相互作用增强，从而缩短T1并产生更亮的T1加权信号。

细胞实验进一步验证了探针的靶向性和安全性。在最高100 μg/mL铁浓度下，细胞活力仍保持在90%以上。荧光成像中，USIO@Tmab可明显结合HER2高表达的SKBR3细胞，而在HER2阴性4T1细胞中信号较弱。体外MRI同样显示，4T1-HER2细胞的R1值随时间明显增加，并持续高于HER2阴性4T1细胞和正常MCF-10A细胞，说明HER2介导的摄取与肿瘤酸性环境共同促进了信号激活。

在小鼠实验中，静脉注射USIO@Tmab NPs后，HER2阳性肿瘤的T1信号逐渐增强，并在约240 min达到峰值，肿瘤R1较注射前提高约71.8%。与商业Gd-DTPA相比，USIO@Tmab具有更持久的成像窗口，峰值R1约高25%。在双侧肿瘤模型中，HER2阳性肿瘤在峰值时间的R1较HER2阴性肿瘤高约23%，进一步体现了其体内靶向成像能力。

在图像分析方面，作者使用10只小鼠共1827张标注MRI切片训练和评估3D nnU-Net技术，并采用以动物为单位的五折交叉验证以避免数据泄漏。模型获得0.9336的Dice系数和0.8762的IoU，预测边界与人工标注高度一致，还可根据连续分割结果重建三维肿瘤形态。

更重要的是，USIO@Tmab增强图像的肿瘤/正常组织比TNR约为2.72，经3D nnU-Net分割和图像融合后提升至7.07，约提高2.59倍。这里的AI并未改变MRI本身的物理信号，而是通过自动分割与掩膜融合进一步突出肿瘤边界。

总体而言，该工作提出了一种“靶向/微环境响应对比剂+三维深度学习分割”的双层增强策略。前者通过HER2识别和酸性微环境响应提高肿瘤内的MRI对比，后者则在不改变底层MR信号的前提下，进一步突出肿瘤边缘并提供三维形态信息。相比单纯依赖商业对比剂或仅对已有图像进行AI后处理，这种从材料设计到影像计算的协同思路，更有利于提高HER2阳性肿瘤的定位、边界判断与术前可视化能力。该研究的核心价值并不只是“把MRI图像变亮”，而是在肿瘤特异性信号产生、自动边界识别和三维结构呈现三个层面建立了一条完整链路，为HER2阳性乳腺癌的精准影像诊断、术前规划乃至未来的手术导航提供了一种值得进一步验证的技术框架。

本项研究工作得到国家自然科学基金、广东省自然科学基金和李嘉诚基金会等项目的资助。