一种可解释的、具有病变检测功能的诊断模型，用于全视野乳腺X线摄影分类

《International Journal of Imaging Systems and Technology》：An Interpretable Lesion-Aware Diagnostic Model for Full-Field Mammography Classification

乳腺癌诊断模型LADM通过多视角融合与注意力机制提升分类精度及可解释性，在INBreast和CBIS-DDSM数据集上AUC达0.950和0.911，Grad-CAM++可视化验证了病灶定位的准确性。

　　

摘要

准确诊断乳腺癌对于改善患者预后至关重要。然而，乳腺病变通常很小，而乳腺X光检查是一种高分辨率的、基于图像块的方法，常常会忽略肿瘤周围的背景信息，从而影响诊断的准确性。因此，我们开发了一种可解释的、能够识别病变的诊断模型（LADM），该模型可以直接从全视野乳腺X光图像中识别出肿瘤区域，以提高分类的准确性和临床可信度。LADM包含了一个高度敏感于病变的模块，该模块结合了空间引导和通道引导的注意力机制。LADM通过三个分支处理头尾方向（CC）和内外侧斜位（MLO）的乳腺X光图像：CC分支、MLO分支以及双视图分支。单视图分支独立学习诊断特征并进行分类，而双视图分支则将CC和MLO的特征融合在一起，以利用不同视角之间的互补性进行预测。模型可解释性和病变定位通过Grad-CAM++热图进行评估。在INBreast和CBIS-DDSM数据集上，LADM的表现始终优于单视图基线模型。在双视图设置中，LADM在INBreast数据集上的AUC为0.950，准确率为0.903；在CBIS-DDSM数据集上的AUC为0.911，准确率为0.848。可视化结果显示，该模型能够聚焦于具有诊断意义的区域，从而支持临床解释。LADM直接在全视野图像上学习与病变相关的特征，实现CC和MLO信息的融合，同时保持单视图下的鲁棒性，并提供带有病变位置的透明预测结果。这些特性共同确保了乳腺癌分类的准确性和可解释性。

利益冲突

作者声明没有利益冲突。