编辑推荐：
乳腺癌严重威胁女性健康，早期准确检测至关重要。研究人员开展 “Variational mode directed deep learning framework for breast lesion classification using ultrasound imaging” 研究，利用二维变分模态分解（2D-VMD）和深度学习，在多个数据集中实现高准确率分类，降低计算复杂度，有助于乳腺癌早期诊断。
在女性健康领域，乳腺癌如同一个可怕的 “杀手”，严重威胁着众多女性的生命安全。在美国，乳腺癌是女性中最为常见的癌症，也是癌症相关死亡的第二大原因，仅 2024 年就预估有超过 30 万的新增病例 ，占到所有癌症新发病例的 31%。超声检查在乳腺癌诊断中发挥着重要作用，尤其是在资源有限、乳腺 X 线摄影难以实施的地区，超声成像的地位愈发凸显。它虽然能提高诊断的敏感性，却降低了特异性，而且诊断结果还很大程度上依赖于放射科医生的经验。
为了突破这些困境，来自梅奥诊所医学院（Mayo Clinic College of Medicine and Science）的研究人员开展了一项极具意义的研究。他们提出了一种全新的基于超声成像的乳腺病变分类框架，该框架结合了二维变分模态分解（2D-VMD）和卷积神经网络（CNN），还融入了混合池化和注意力机制，相关研究成果发表在《Scientific Reports》上。这一研究成果意义非凡，有望为乳腺癌的早期诊断提供更加精准、高效的方法，降低误诊率，减少不必要的活检，提高患者的生存质量。
在研究过程中，研究人员运用了多个关键技术方法。首先是二维变分模态分解（2D-VMD）技术，它能将超声图像稀疏分解为多个子图像或模态，每个模态在特定中心频率附近具有有限带宽，通过调整数据保真度常数（α）和模态数量（N），可以有效提取乳腺病变的低层次特征。其次是构建了基于 CNN 的深度学习模型，模型包含深度可分离卷积层、混合池化层、挤压激励块等结构，用于高层次特征提取和病变分类。研究中使用了三个数据集，包括 UDIAT、BUSI 两个公开数据集以及梅奥诊所的内部数据集（IHR），这些数据集为模型训练和评估提供了丰富的数据支持。
下面来看具体的研究结果：
- 数据集情况：研究使用了三个数据集。UDIAT 数据集包含 163 张 B 超图像，其中 110 个良性病变，53 个恶性病变；BUSI 数据集有 780 张 B 超图像，处理后包含 421 个良性病变和 209 个恶性病变；IHR 数据集有 2205 张 B 超图像，处理后有 1315 个恶性病变和 890 个良性病变12。
- 训练超参数与分类指标：研究使用 Keras Tuner 自动选择超参数，如 0.3 的随机失活率、3×3 的滤波器宽度、1 的步长等，采用 Adam 优化器，学习率为 0.00001 。使用二元焦点交叉熵损失函数处理类别不平衡问题，通过准确率（Accuracy）、精度（Precision）、敏感性 / 召回率（Sensitivity/Recall）、特异性（Specificity）、受试者工作特征曲线下面积（AUROC）和精确召回曲线下面积（AUPRC）等指标评估模型性能34。
- 模型性能分析：在 UDIAT 数据集上，模型准确率达 0.98，特异性、AUROC 和 AUPRC 均为 1；BUSI 数据集上，准确率为 0.93，各项指标也显示出良好的分类能力；IHR 数据集上，虽然由于图像未预处理导致性能略低，但准确率仍有 0.89，且特异性较好，体现了模型的抗噪声能力5。
- 2D-VMD 的有效性：对比使用和不使用 2D-VMD 的情况，发现没有 2D-VMD 时，模型从原始 B 超图像中提取有效特征困难，AUROC 和 AUPRC 曲线下面积显著下降，证明 2D-VMD 能有效提取特征，提升分类性能6。
- 与现有方法的比较：与其他方法相比，该框架在 UDIAT 数据集上优势明显，在 BUSI 数据集上与部分方法相当且优于其余方法，在 IHR 数据集上也超越了常见的深度学习模型，同时在计算复杂度上有显著降低，模型参数减少 44 - 99%，浮点运算（FLOPS）减少 18 - 97%78。
- 模型的可解释性：通过提取中间层和最终层的特征图分析，发现不同池化方式关注不同特征，模型对良性和恶性病变的激活情况不同，最终输出的概率值能有效区分病变类型，展示了模型的可解释性9。
综合研究结论和讨论部分，这项研究成果具有重要意义。该框架在多个数据集上展现出高准确率的乳腺病变分类能力，即使在未预处理的数据上也能保持可靠性能。2D-VMD 有效提升了深度学习模型的性能，在敏感性和特异性之间取得了良好平衡。与现有方法相比，该框架在分类性能和计算复杂度上优势明显，且模型具有可解释性。未来，研究人员计划纳入更大的私人数据集进行验证，测试其在临床实时应用中的效果，并探索将该方法应用于其他成像模态，如二维磁共振成像（2D MRI）、计算机断层扫描（CT）和乳腺 X 线摄影，有望为乳腺癌的诊断带来更多突破，推动医学领域的进步。
