编辑推荐：
乳腺癌检测是医学成像领域的难题。研究人员开展基于卷积神经网络（CNNs）、双向长短期记忆网络（Bi-LSTM）和 EfficientNet-B0 的混合模型研究。结果显示该模型在区分良恶性肿瘤上精度达 99.2%，为乳腺癌检测提供新方法，意义重大。
在医学领域，乳腺癌一直是女性健康的重大威胁。每年全球有超过 67 万人因乳腺癌失去生命，且新发病例逐年增多。早期检测对于降低乳腺癌死亡率至关重要，它能为患者提供更有效的治疗方案，显著提高生存率。然而，乳腺癌在早期往往没有明显症状，这就需要精准可靠的检测方法。传统的检测手段，像乳腺 X 线摄影，虽然是检测早期乳腺癌的常用方法，但在检测致密乳腺组织中的肿瘤时存在局限性；超声和磁共振成像（MRI）虽可作为辅助手段，但存在主观解读差异大等问题。传统的统计和机器学习模型，如支持向量机（SVM）、随机森林等，在处理复杂的乳腺癌数据时，难以捕捉数据中的复杂关系，在高维数据中表现不佳。深度学习模型，如卷积神经网络（CNNs），虽然在医学图像分析中取得了一定进展，能够自动学习图像特征，但在捕捉肿瘤生长等时间模式方面存在不足。因此，开发一种更精准、高效的乳腺癌检测模型迫在眉睫。
为了解决这些问题，来自 Galgotias University、Koneru Lakshmaiah Education Foundation、GLA University 等多个机构的研究人员展开了深入研究。他们提出了一种新颖的混合模型，结合了卷积神经网络（CNNs）、双向长短期记忆网络（Bi-LSTM）和预训练模型 EfficientNet-B0。该研究成果发表在《Scientific Reports》上，为乳腺癌检测带来了新的突破。
研究人员在此次研究中用到的主要关键技术方法包括：利用来自癌症成像存档 - 数字化乳腺筛查数据库（CBIS-DDSM）和乳腺图像分析协会（MIAS）的数据集进行研究；采用转移学习技术，借助在 ImageNet 数据集上预训练的 EfficientNet-B0 提取特征；使用改进的 CNNs 进行特征提取，优化网络结构和参数；利用 Bi-LSTM 模型处理时间依赖性；运用 Adam 优化算法调整模型参数，提高模型性能 。
下面介绍该研究的主要结果：
- 模拟配置和参数：在 Anaconda 环境中，使用 Python 编程语言实现模型。硬件方面，配备 25GB HDD、16GB RAM，由 Intel I-5 及以上处理器和 NVIDIA RTX 3090 GPU 提供支持；软件方面，集成了 Pandas、Matplotlib、TensorFlow 等多个关键库。模型的学习率设为 0.0001，批大小为 32，训练 50 轮，采用 Adam、SGD、RMSprop 等优化器，dropout 率设为 0.3 。
- 模拟结果：在 CBIS-DDSM 数据集上，该混合模型在二分类任务中准确率达到 99.30%，敏感度为 97.85%；在多分类任务中准确率为 99.08%，敏感度为 96.05%。在 MIAS 数据集上，未进行数据预处理时，混合模型在二分类任务中准确率为 89.20%，敏感度为 80.00%；数据预处理后，准确率提升至 99.00%，敏感度为 97.00%。在多分类任务中，对良性、恶性和正常类别的准确率分别达到 99.40%、98.50% 和 97.80% 。
- 不同优化器和数据预处理的影响：实验表明，Adam 优化器在准确率、敏感度等关键指标上表现最佳。数据预处理能显著提升模型性能，减少噪声，优化特征提取，使模型学习效果更好。
- 消融分析：通过对模型组件的消融分析发现，EfficientNet-B0 用于特征提取、Bi-LSTM 用于时间建模的组合能达到最佳性能。去除 Bi-LSTM 或 EfficientNet-B0 会导致模型准确率下降，证明了各组件的重要性 。
研究结论和讨论部分指出，该混合模型在多种数据集和分类任务中表现卓越。它结合了 EfficientNet-B0 强大的特征提取能力和 Bi-LSTM 处理时间依赖性的优势，通过数据预处理和 Adam 优化器的协同作用，显著提升了性能。与传统模型相比，该混合模型在准确率、敏感度、特异性和 F1 分数等多个指标上表现更优，能够有效处理复杂的分类任务，对乳腺癌的早期检测和诊断具有重要意义。它为临床医生提供了一个更可靠、高效的工具，有望在实际医疗应用中发挥重要作用，推动乳腺癌诊断技术的发展。然而，研究也存在一些局限性，如数据集的多样性仍有待提高，模型在临床实时应用中的速度和效率还需进一步优化，模型的可解释性也需要进一步增强。未来的研究可以从扩大和多样化数据集、探索更多优化技术、实现实时临床应用、增强模型可解释性等方面展开，进一步提升模型性能，使其更好地服务于医疗领域。
