编辑推荐：
乳腺癌严重威胁女性健康，早期诊断至关重要。研究人员开展基于 PRMS-Net 深度学习的乳腺癌热成像分析研究，该模型结合 PRN 和 ResNet-50，分类准确率达 99.63% 。其有望提升诊断准确性，减少误诊，助力乳腺癌早期筛查。
在女性健康的战场上，乳腺癌一直是个 “狠角色”，如同隐藏在暗处的危险杀手，时刻威胁着全球女性的生命安全。它悄无声息地在乳腺组织里 “安营扎寨”，早期症状往往不明显，一旦发展到中晚期，治疗难度大幅增加，患者的生存几率也会大打折扣。据世界卫生组织（WHO）统计，每年都有大量女性因乳腺癌离世，仅 2018 年，全球就约有 62.7 万女性死于这一疾病，占女性癌症死亡总数的 15% 。传统的乳腺癌检测手段，像物理触诊，过于依赖医生的经验，而且难以发现早期微小的病变；乳腺 X 线检查虽然能发现一些问题，但存在辐射风险，对致密型乳腺的诊断准确性也不高。因此，寻找一种更高效、更准确、无辐射的早期检测方法迫在眉睫。
在此背景下，来自沙特阿拉伯国王哈立德大学、马来西亚多媒体大学、巴基斯坦里法国际大学、印度安纳马查亚大学以及巴基斯坦国立现代语言大学的研究人员携手合作，开展了一项极具意义的研究。他们将研究成果发表在《Journal of Imaging Informatics in Medicine》上，为乳腺癌的早期诊断带来了新的希望。
研究人员为了提高乳腺癌早期检测的准确性，提出了一种名为 PRMS-Net（Progressive Residual Multi-Class Support Vector Machine-Net，渐进式残差多类支持向量机网络）的深度学习模型，该模型巧妙地融合了渐进式残差网络（PRN，Progressive Residual Networks）和 ResNet-50。
在技术方法上，研究人员首先从 DMR 乳腺研究数据库获取了 1339 例乳腺癌患者的热成像图像，这些图像均来自不同患者，有效避免了数据偏差。接着对图像进行预处理，包括灰度转换、自适应滤波等操作，以提高图像质量。然后采用各向异性扩散、Haralick 特征提取等技术进行特征提取，并使用 Adam 优化器对模型进行训练和优化。最后，通过准确率、灵敏度、特异性和 ROC 曲线（Receiver Operating Characteristic Curve，受试者工作特征曲线）等指标来评估模型的性能。
在研究结果方面，数据集拆分与分布上，将获取的 1339 张图像按照 70%、20%、10% 的比例分为训练集、测试集和验证集，涵盖了导管原位癌（DCIS，Ductal carcinoma in situ）、浸润性小叶癌（ILC，Invasive lobular carcinoma）、血管肉瘤（Angiosarcoma）和叶状肿瘤（Phyllodes Tumor）等多种乳腺癌类型，确保模型训练的全面性。仿真输出中，展示了图像预处理过程，如灰度转换、对比度增强等，这些处理有效突出了图像特征，为后续分析提供了良好基础。性能评估显示，PRMS-Net 模型在乳腺癌检测上表现卓越，准确率高达 99.63%，精准度为 99.37%，灵敏度达 99.58%，特异性为 99.32%，F1 分数为 99.48% 。与其他模型相比，PRMS-Net 在各项指标上均表现出色，且计算效率更高，推理时间仅为 80ms，训练时间 11h，计算资源需求为 170GFLOPs 。交叉验证性能方面，采用五折交叉验证评估模型稳定性，结果表明模型在不同子样本上均表现良好，误差分布稳定，进一步证明了模型的可靠性。
研究结论和讨论部分，PRMS-Net 模型凭借其独特的架构，有效克服了传统模型的诸多缺陷，如过拟合、计算复杂度高、对数据质量和分布敏感等问题。该模型不仅能精准提取图像特征，还能高效分类，显著提升了乳腺癌早期检测的准确性。其高准确率、高灵敏度和高特异性，大大降低了误诊和漏诊的可能性，减少了不必要的活检，有助于提高早期癌症的检测率。同时，PRMS-Net 计算效率高，能够实现实时分析，为临床医生快速处理大量数据提供了有力支持，有望优化临床工作流程，提高诊断效率。不过，该模型也存在一些局限性，比如对低分辨率或高噪声热图像的处理能力有待提高，在低资源环境下部署可能还需要进一步优化。但总体而言，PRMS-Net 为乳腺癌早期诊断开辟了新路径，具有巨大的临床应用潜力，未来有望在乳腺癌筛查和诊断中发挥重要作用，为全球女性的健康保驾护航。
