ASG-MammoNet：一种基于注意力机制的框架，用于简化并提高乳腺X光片癌症分类的准确性和可解释性

《Frontiers in Signal Processing》：ASG-MammoNet: an attention-guided framework for streamlined and interpretable breast cancer classification from mammograms

乳腺癌症诊断、深度学习模型、EfficientNet-B0、注意力机制、可解释性、数据增强、平衡采样、高准确率、低延迟、临床应用

　　乳腺癌仍然是全球女性中最常见的诊断癌症和导致癌症相关死亡的主要原因之一，这凸显了开发早期、准确且可解释的诊断工具的迫切需求。尽管数字乳腺X线摄影是乳腺癌筛查的基石，但其诊断效果常常受到图像质量差异、密集乳腺组织以及有限的视觉可解释性等挑战的限制。此外，传统的计算机辅助诊断（CAD）系统和深度学习模型在临床应用中也面临高假阳性率、决策困难和计算需求高的问题。为了克服这些关键挑战，本文引入了ASG-MammoNet，这是一种结合注意力引导和简化设计的深度学习框架，用于实现稳健、实时且可解释的乳腺X线图像分类。

ASG-MammoNet由三个集成阶段组成：（1）数据准备和平衡特征表示，该阶段应用了先进的预处理、增强和加权采样方法，以减少数据不平衡和数据集中的差异；（2）注意力引导的简化分类，其中使用EfficientNet-B0作为主干网络，并通过双阶段卷积块注意力模块（CBAM）增强其对诊断相关特征的选择性强调；（3）可解释的推理，利用梯度加权类激活映射（Grad-CAM）生成与病变区域相关的可视化图像，以支持解释性和临床决策。

在CBIS-DDSM、INbreast和MIAS三个基准数据集上对ASG-MammoNet进行了全面验证，结果显示其准确率超过99.1%，AUC分数超过99.6%，DIP（理想位置距离）分数超过0.99，且平均推理时间低于14毫秒。该框架在不同数据折叠中展现出强大的泛化能力，并生成了与临床相关的注意力图，突显了其在实际部署中的可行性。

在讨论部分，我们强调了ASG-MammoNet在性能、平衡性和泛化能力上的优势。它在解决高计算成本、有限的可解释性和精确性等关键限制方面表现出色，为现代筛查环境中的AI辅助乳腺癌诊断提供了实用且可靠的方法。此外，模型的低推理时间和高DIP评分进一步支持了其在实时诊断支持和临床工作流程中的可行性。

在方法部分，ASG-MammoNet的框架设计旨在平衡准确性、可解释性和计算效率。数据准备阶段通过图像预处理、增强和加权采样策略来标准化输入乳腺X线图像，同时解决数据集中的类别不平衡问题。这些方法包括保持原始宽高比的双线性插值图像调整、对称零填充以确保空间一致性，以及通过调整亮度和对比度来增强模型对不同采集设置的鲁棒性。为了减少良性样本在训练中的占比，我们采用了一种加权采样策略，以确保每个小批量中两类样本的合理分布。

在分类阶段，我们引入了注意力引导的简化分类架构，通过EfficientNet-B0主干网络和CBAM模块，增强了模型的特征表示能力。CBAM模块通过通道和空间注意力机制，选择性地强调对诊断至关重要的特征。这一方法不仅提升了模型的局部化能力，还改善了其对细微病变的识别效果。最终的分类层则通过全连接网络进行二分类，输出模型对良性或恶性病变的概率分布。

在可解释性阶段，我们采用Grad-CAM技术生成视觉解释，以突出模型在预测中起作用的区域。这些热图可以直观地展示模型对病变的注意力分布，从而提高临床医生对AI诊断结果的信任度和理解能力。Grad-CAM的引入使得模型不仅能够提供高精度的分类结果，还能够提供透明的解释，这在医学影像分析中尤为重要。

实验结果部分显示，ASG-MammoNet在三个数据集上都表现出色。在CBIS-DDSM数据集上，模型达到了99.78%的准确率，99.82%的精确度和99.80%的F1分数，而在INbreast数据集上，模型的准确率达到了99.64%，AUC分数为99.65%。在MIAS数据集上，模型的准确率为99.15%，召回率为99.20%。这些结果表明，ASG-MammoNet在各种复杂性和规模的数据集上都具有出色的泛化能力和鲁棒性。

在与其他方法的比较中，ASG-MammoNet在所有数据集上都表现出了较高的性能，同时保持了较高的可解释性和计算效率。与传统的CNNs相比，它在处理密集乳腺组织和细微病变时具有更好的定位能力。此外，与Transformer-based模型相比，它在保持高精度的同时，计算成本更低，更适合实时应用。

讨论部分进一步强调了ASG-MammoNet的临床意义。其高AUC和DIP评分表明，模型在敏感性和特异性之间保持了良好的平衡，这对减少筛查流程中的假阳性和假阴性至关重要。此外，模型的低推理时间（<15毫秒/图像）进一步增强了其在实时诊断中的适用性。

尽管ASG-MammoNet表现出色，但仍存在一些局限性。例如，模型在MIAS数据集上的精确度稍低，这可能与标签噪声和样本多样性不足有关。此外，对于微钙化和建筑扭曲等细微病变的检测仍需进一步优化。未来的研究可以探索多尺度注意力机制、多视图乳腺X线图像处理以及多模态数据融合，以提高模型的性能和泛化能力。

结论部分指出，ASG-MammoNet为乳腺癌诊断的AI应用提供了新的解决方案。它不仅实现了高精度的分类，还通过注意力机制和Grad-CAM可视化，提高了模型的可解释性和临床适用性。该框架的三个阶段设计确保了其在不同数据集和临床环境中的适用性，同时兼顾了计算效率和模型透明度，为现代乳腺癌筛查提供了实用的工具。尽管仍有一些挑战需要克服，但ASG-MammoNet的性能和设计为AI在医学影像分析中的应用开辟了新的可能性。