基于图形与几何方法的乳腺X线影像分类对比研究：提升乳腺癌诊断准确性的新策略

本研究针对乳腺癌(BC)筛查中人工分析效率低、误差率高的问题，创新性地采用地球移动距离(EMD)和水平可视性图-汉明-伊普森-米哈伊洛夫(HVG+HIM)两种算法，通过图形与几何方法对比分析乳腺X线影像。研究开发了"正常法"和"混合法"两种代表图像选择技术，在32×32像素尺寸下实现93.33%的最高分类准确率，为资源有限地区提供了高效稳定的计算机辅助诊断方案。

　　

乳腺癌(BC)已成为全球女性健康的首要威胁，2020年新增病例超230万例。在医疗资源有限的低收入国家，乳腺X线摄影(Mammography)筛查面临双重困境：专业放射科医生严重不足，而人工判读又存在高达20-30%的误诊率。更严峻的是，到2040年预计全球年新增病例将突破300万例。传统深度学习算法虽能提升诊断效率，但其"黑箱"特性、计算资源需求大且结果不可解释等问题，严重制约了在基层医疗场景的应用。

针对这一临床痛点，SRM大学的研究团队在《EngMedicine》发表创新研究，首次系统比较了地球移动距离(Earth Mover's Distance, EMD)和水平可视性图-汉明-伊普森-米哈伊洛夫(Horizontal Visibility Graph-Hamming-Ipsen-Mikhailov, HVG+HIM)两种算法在乳腺X线影像分类中的表现。研究团队从公开数据库筛选3728例40-50岁女性左乳X线影像，创新性地开发了两种代表图像选择算法——仅组内比较的"正常法"和跨组比较的"混合法"，通过计算生物学与医学图像处理的交叉创新，为资源受限地区提供了可解释、低计算成本的解决方案。

关键技术包括：1)基于可见性准则的HVG图像转换技术，将二维影像转化为复杂网络；2)融合局部汉明距离与全局谱特性的HIM相似性度量；3)基于运输问题优化的EMD几何匹配算法；4)针对16×16和32×32两种尺寸图像的降维处理。研究特别设计了三种训练集规模(10/20/50张图像)来评估算法泛化能力。

【方法-数学基础】章节揭示，HVG算法通过水平可视性条件(公式2)将像素序列转换为网络图，而HIM距离(公式3)通过调节系数ξ平衡局部与全局特征。EMD则创新性地将图像匹配转化为"土方运输"优化问题(公式4-5)，计算改变像素分布所需最小功。

【性能分析】部分显示：在32×32尺寸下，HVG-II结合"混合法"达到93.33%准确率，敏感度达100%，且能正确识别所有阳性病例。相比之下，EMD方案虽仅需1/86计算时间，但最高准确率止步于86.67%。研究首次量化了准确率与计算成本的权衡关系——HVG-II获得7%精度提升需付出百倍计算代价。

【算法网络服务应用】部分开发的STAN-HEALTH平台，通过PHP MySQL实现云端部署，支持Tor加密传输。该系统使BC筛查突破时空限制，在印度农村地区的实地测试中，平均单例分析时间控制在20分钟内，验证了其在基层医疗场景的实用性。

这项研究为医学AI领域带来三大突破：首先，首次证明基于网络科学的HVG+HIM方法在医学影像分类中的优越性；其次，创新的"混合法"代表选择策略使小样本训练集也能获得稳定结果；最后，建立的准确率-计算成本量化模型为算法选择提供明确标准。这些发现不仅为乳腺癌筛查提供了新工具，其方法论更可拓展至肺结节、皮肤病变等其他医学影像分析领域。随着5G网络普及，这项技术有望使乳腺癌筛查从医院走向社区，实现WHO提出的"早诊早治"目标，特别是在亚洲等医疗资源分布不均的地区。