乳腺癌是一种生物学上高度异质性的疾病，其基因组复杂性、动态肿瘤进化和可变治疗反应持续挑战着早期检测、预后评估和治疗选择。人工智能的最新进展为整合高维度基因组学、转录组学、表观基因组学、病理学、放射学和临床数据，构建更精确且可扩展的诊断与预测模型创造了新机遇。这些方法正在重塑乳腺癌在疾病阶段和分子亚型中的分类、风险分层和监测方式。
本研究主题旨在突出人工智能驱动建模框架、大型语言模型（LLMs）和基础模型在改善乳腺癌生物学解释及支持临床相关诊断决策方面的新兴发展。我们欢迎投稿聚焦于机器学习、深度学习、多模态数据融合和可解释人工智能方法，应用于生物标志物发现、分子分型、早期检测、预后预测、治疗反应评估和疾病监测的研究。特别关注将计算创新与转化医学及临床实践需求相结合的成果。
本研究主题重点关注但不限于以下方向：
- 人工智能在乳腺癌多组学数据整合中的应用
- 基于基因组学、转录组学或表观基因组学特征的预测建模
- 分子分型和生物标志物发现中的人工智能应用
- 计算病理学与放射基因组学相关性研究
- 用于筛查、病灶特征描述和早期检测的诊断算法
- 预后评估、复发风险、转移预测及治疗反应的建模
- 治疗耐药性机制解析与疾病监测的人工智能方法
- 可解释、可操作且临床适用的人工智能系统开发
- 模型的外部验证、可重复性、偏差缓解与鲁棒性优化
- 人工智能驱动工具在乳腺癌研究和临床护理中的实际实施
- 面向多机构基因组研究的联邦学习与隐私保护人工智能技术
- 基于人工智能框架的液体活检与循环肿瘤DNA（ctDNA）分析
随着数据驱动肿瘤学的持续发展，亟需构建既准确又具备生物学合理性的计算模型，这些模型必须同时满足透明性、泛化能力和临床可操作性要求。通过汇聚人工智能、基因组学、诊断学与乳腺癌医学交叉领域的前沿研究，本特刊致力于系统梳理当前技术进展与关键瓶颈，明确下一代临床可部署精准诊断工具的研发优先级。
请注意：仅包含生物信息学、计算分析或公共数据库预测的稿件，若未伴随独立临床队列验证、患者样本验证或体外/体内生物学实验（且不基于公共数据库），则不符合本期刊的发表标准。
关键词： 乳腺癌中的人工智能、多组学数据整合、生物标志物发现与分子分型、计算病理学与放射基因组学、机器学习与深度学习、可解释人工智能（XAI）、液体活检与循环肿瘤DNA
重要说明： 所有投稿必须严格符合目标期刊及版块的学术范围定义。Frontiers保留权利在同行评审的任何阶段，将范围外的稿件引导至更合适的出版渠道。
【全文结束】