编辑推荐：
为解决乳腺癌早期诊断难题，研究人员开展基于狄利克雷分布的深度学习模型研究。利用 BUSI 数据集，经数据增强、迁移学习和间隔重复法训练。该模型验证准确率达 99.60%，对乳腺癌分类意义重大。
乳腺癌超声检查是早期检测乳腺癌的有效且快速的诊断工具。人工智能支持的计算机辅助决策系统，能辅助放射科专家和临床医生，提供可靠且快速的结果。深度学习方法和技术在健康领域广泛应用于早期诊断、异常检测和疾病诊断。
在本研究中，提出了一种基于狄利克雷分布（Dirichlet distribution）的深度集成学习模型，该模型利用预训练的迁移学习模型对超声图像进行乳腺癌分类。研究使用乳腺癌超声图像数据集（Breast Ultrasound Images Dataset，BUSI）进行实验。由于该数据集的类别结构不均衡，研究人员采用数据增强技术进行平衡处理。
研究选取 DenseNet201、InceptionV3、VGG16 和 ResNet152 模型进行迁移学习，并运用五折交叉验证。同时，采用方差分析（ANOVA test）和 Tukey HSD 检验等统计分析方法评估模型性能，确保结果可靠。此外，利用梯度加权类激活映射（Gradient-weighted Class Activation Mapping，Grad-CAM）实现可解释人工智能（explainable AI，XAI），为深度学习模型的决策过程提供可视化解释。
本研究还将教育科学中常用的间隔重复法应用于人工智能领域。把迁移学习模型的训练结果作为进一步训练的输入，利用先前学习的信息进行间隔重复训练。结果显示，间隔重复法提高了模型的成功率，缩短了学习时间。将训练模型得到的权重输入基于不同变体狄利克雷分布的集成学习系统。最终，所提出的模型在数据集上达到了 99.60% 的验证准确率，证明了其在乳腺癌分类中的有效性。
