综述：现有混合模型在乳腺癌诊断中的性能评估：深度学习与模糊聚类方法在医学成像领域的应用综述

《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：Performance Evaluation of Existing Hybrid Models for Breast Cancer Diagnosis: A Review of Deep Learning and Fuzzy Clustering Approaches in Medical Imaging

乳腺癌检测中深度学习与模糊逻辑的混合模型研究进展，42项2019-2025年研究显示融合方法提升病灶分割与分类精度，缓解图像噪声、操作者依赖及可解释性不足，但数据规模小、缺乏外部验证及评估标准不统一制约临床转化。

　　

摘要

本文系统评估了近期在乳腺癌检测领域利用深度学习、模糊逻辑和混合计算模型所取得的进展，重点关注超声和乳腺X线摄影成像技术。与以往仅单独研究这些方法的调查不同，本文通过分析2019年至2025年间发表的42项研究，填补了这一领域的空白。这些研究将深度学习与模糊聚类和优化技术相结合。研究结果表明，这种混合方法提高了病变分割和分类的准确性，同时缓解了图像噪声、操作者依赖性以及低可解释性等局限性。BUSI数据集已成为最常用的验证基准。然而，仍存在一些挑战，如数据集规模有限、缺乏外部验证以及性能报告不一致等问题，这些因素限制了这些技术的临床应用。通过比较不同方法的性能和局限性，本文强调了混合人工智能框架在早期乳腺癌检测中提供更可靠诊断支持的潜力。文章认为，未来的发展需要更大规模的多机构数据集、标准化的评估协议以及具有可解释性的混合模型，以实现其在实际应用中的有效部署。