Рак молочной железы остаётся одной из самых актуальных проблем современной онкологии и является наиболее распространённым злокачественным новообразованием среди женщин во всём мире. Лечение рака молочной железы требует комплексного подхода, включающего хирургическое вмешательство, химиотерапию, лучевую, таргетную и гормональную терапию. Особое место в современной клинической практике занимает неоадъювантная терапия — метод лечения, предшествующий хирургическому вмешательству, направленный на уменьшение размера опухоли, повышение вероятности органосохранных операций и оценку индивидуальной чувствительности опухоли к лекарственной терапии. Неоадъювантная терапия является стандартом лечения местнораспространённого первично неоперабельного инвазивного рака молочной железы. Кроме того, данный метод рекомендован в качестве первого этапа лечения пациенток с первично операбельными, но биологически агрессивными подтипами опухолей, такими как тройной негативный и HER2-позитивный типы рака молочной железы. Однако индивидуальный ответ на терапию значительно варьирует: у одних пациенток наблюдают хороший ответ на неоадъювантное лечение, что значительно улучшает прогноз, тогда как у других лечение может оказаться неэффективным. Заблаговременное прогнозирование реакции пациенток на неоадъювантное лечение позволяет избежать воздействия ненужных доз лекарственных препаратов, снизить финансовую нагрузку на систему здравоохранения и минимизировать риск развития побочных эффектов. В последние годы активно развивают методы радиомики и искусственного интеллекта, которые позволяют анализировать медицинские изображения и выявлять скрытые биомаркёры, ассоциированные с ответом на терапию. В этом обзоре рассмотрены исследования, проведённые за последние десятилетия, в которых предложены различные прогностические модели для оценки ответа на неоадъювантное лечение с использованием методов радиомики и искусственного интеллекта. Особое внимание уделено работам, демонстрирующим потенциал машинного обучения и глубокого анализа данных в персонализации лечения рака молочной железы. Эти инновационные подходы открывают новые возможности для повышения эффективности терапии и улучшения выживаемости пациенток.

乳腺癌仍是当代肿瘤学面临的最重要问题之一，是全球女性中最常见的恶性肿瘤。乳腺癌治疗需采取多学科综合方案，包括手术、化疗、放疗、靶向治疗及内分泌治疗。在现代临床实践中，新辅助治疗作为术前干预手段具有重要地位，其目标在于缩小肿瘤体积、提高保乳手术的可行性，并评估肿瘤对药物治疗的个体敏感性。对于局部晚期、原发不可切除的浸润性乳腺癌，新辅助治疗已成为标准治疗方案。此外，对于虽具备手术适应证但呈现生物学行为高度侵袭性的乳腺癌亚型，如三阴性和HER2阳性，也推荐将新辅助治疗作为首选治疗阶段。然而，患者对新辅助治疗的反应存在显著个体差异：部分患者对治疗反应良好，显著改善预后；而另一些患者的治疗可能无效。提前预测患者对新辅助治疗的反应，有助于避免不必要的药物剂量暴露，减轻医疗系统的经济负担，并尽可能降低不良反应的发生风险。近年来，放射组学与人工智能方法得到了积极发展，可用于分析医学影像并识别与治疗反应相关的潜在生物标志物。本综述回顾了近几十年来在该领域开展的研究，这些研究提出了多种基于放射组学和人工智能的方法，用于评估患者对新辅助治疗的反应并建立预测模型。特别关注于展示机器学习和深度数据分析在乳腺癌个体化治疗中潜力的研究。此类创新方法为提高治疗效果与改善患者生存率提供了新的前景。