编辑推荐：
乳腺癌早期精准诊断至关重要，当前模型未融合创新目标识别与分类方法。研究人员开展基于文献计量分析的集成模型研究，提出 BC2D-Y/EN 模型，实验显示其精度超其他模型，对提升诊断准确性和效率有重要意义。
乳腺癌作为全球女性健康的 “头号杀手”，其早期精准诊断一直是医学界的焦点难题。目前，尽管医学影像技术和深度学习（DL）取得了显著进展，但现有模型在乳腺癌检测中普遍存在关键短板：一方面，先进的目标检测模型如 YOLOv9、YOLOv10 与高性能分类架构（如 EfficientNet B7）未能有效融合，导致对乳腺病变的定位与性质判别难以兼顾精度与效率；另一方面，多样化影像模态（如钼靶、超声、MRI 等）的综合利用不足，限制了模型在复杂临床场景中的泛化能力。这些问题使得开发更高效、精准的乳腺癌检测方法成为亟待解决的医学与技术挑战。
为填补上述研究空白，国外研究机构的研究人员开展了一项基于文献计量分析的创新性研究。他们通过系统分析 1145 篇相关研究论文，精准识别当前领域的关键缺陷，并以此为基础构建了一种新型集成模型 ——BC2D-Y/EN（融合 YOLOv9、YOLOv10 和 EfficientNet B7），旨在通过整合目标检测与图像分类的优势，提升乳腺癌诊断的准确性与计算效率。该研究成果发表在《Biomedical Signal Processing and Control》，为乳腺癌检测领域提供了新的技术路径。
研究人员主要采用以下关键技术方法：首先，利用文献计量学方法，通过 Scopus 数据库检索 “乳腺癌检测”“深度学习”“YOLO” 等关键词，对相关文献进行统计分析，明确研究趋势与空白；其次，构建集成模型 BC2D-Y/EN，其中 YOLOv9 和 YOLOv10 负责乳腺病变的目标检测，定位可疑区域（ROIs），EfficientNet B7 则对 ROIs 进行分类，判别病变性质；最后，使用四个公开数据集（CBIS-DDSM、CBIS-DDSM RGB 乳腺癌数据集、The Breast1 MRI 数据集、乳腺超声肿瘤目标检测数据集）进行模型验证，这些数据集均包含经专家标注的良性与恶性肿瘤病例。
实验结果与结论
1. 模型性能评估
通过多数据集测试，BC2D-Y/EN 模型展现出显著优势：在精度方面，EfficientNet B7 分类精度达 98.56%，YOLOv9 检测精度为 98.3%，而 YOLOv10 更是达到 100%。结果表明，集成模型通过结合目标检测与分类架构，有效提升了乳腺癌检测的准确性，优于单一模型及现有先进技术。
2. 影像模态与数据集的应用
研究重点聚焦于钼靶数据集，因其在乳腺癌早期检测中的普遍性与重要性。通过分析不同影像模态的特点，验证了模型在多样化数据类型中的适应性，强调了综合利用多模态影像信息对提升诊断效能的价值。
3. 模型优势与资源权衡
研究深入分析了 YOLOv9、YOLOv10 和 EfficientNet B7 的优缺点，发现 YOLO 系列模型在实时推理与定位精度上表现突出，而 EfficientNet B7 在复杂特征分类中更具优势。集成模型在保证高精度的同时，平衡了计算资源需求，为临床实时应用提供了可能。
研究结论与意义
本研究通过文献计量分析精准定位乳腺癌检测领域的研究空白，并创新性地构建了 BC2D-Y/EN 集成模型。实验结果证实，该模型通过融合 YOLOv9/YOLOv10 的目标检测能力与 EfficientNet B7 的分类优势，显著提升了乳腺癌检测的精度与效率，为解决现有模型的局限性提供了有效方案。其意义不仅在于技术层面的突破，更在于为临床实践中实现乳腺癌的早期诊断与及时干预提供了新的工具，有望降低乳腺癌死亡率，改善患者预后。未来研究可进一步探索更多影像模态的融合及模型在真实临床场景中的泛化能力，推动深度学习技术在医学影像领域的广泛应用。
