深度学习融合模型优化乳腺病灶诊断：超声与乳腺X线摄影双模态整合的双中心回顾性研究

为解决乳腺影像中超声(US)与乳腺X线摄影(MG)的BI-RADS分类不一致问题，南方医科大学团队开发了深度学习融合模型(DL-UM)。该研究通过整合双模态影像特征，显著提升了诊断特异性(0.667 vs. 0.526)和敏感性(0.962 vs. 0.833)，尤其在分类不一致亚组中AUC达0.910。DL-UM辅助使放射科医生诊断AUC提升至0.889-0.910，减少16.1%-24.6%不必要的活检，为临床决策提供了客观支持。

　　

乳腺影像诊断领域长期面临关键挑战：乳腺X线摄影(MG)对致密型乳腺敏感性不足，而超声(US)难以检测微钙化灶。尽管两者互补，但临床中约49%病例存在BI-RADS分类不一致，导致不必要的活检率高达65%。这种矛盾催生了多模态融合技术的需求，但传统方法依赖主观经验，且缺乏跨模态特征整合的有效手段。

南方医科大学团队在《Breast Cancer Research》发表的研究中，创新性地构建了深度学习双模态融合网络(DL-UM)。该研究纳入双中心1283例患者的配对US和MG影像，通过改进的VGG19架构实现特征提取，采用焦点损失函数优化困难样本学习，并利用平均绝对误差(MAE)约束双模态预测一致性。关键技术创新包括跨模态特征拼接层和基于类激活图(CAM)的可解释性设计。

研究结果部分：
诊断性能对比
DL-UM在外部测试集表现卓越：较单一模态模型DL-M提升敏感性18.9%(0.962 vs. 0.833)，较DL-U提升特异性14.1%(0.667 vs. 0.526)。在分类不一致亚组中，AUC达0.910，显著优于单模态(P<0.05)。

临床决策优化
DL-UM辅助使放射科医生诊断特异性从52.1%-75.0%提升至81.3-87.5%，其中初级医师进步最显著。不必要的活检减少24.6%，且热图解释功能使误诊率降低10.8%。

医师信任度分析
73.1%的医师接受DL-UM建议，但在分类不一致病例中，26%要求查看热图解释。热图使用使活检决策修正率达19.2%，尤其帮助初级医师提升诊断信心。

观察者一致性
DL-UM使US与MG评估的加权Kappa值从0.048(轻微不一致)提升至0.713(高度一致)，显著改善跨模态诊断共识(P<0.05)。

结论部分强调，DL-UM通过三个维度革新乳腺诊断：技术层面实现跨模态特征互补，临床层面减少28.7%过度诊疗，人机协作层面提升诊断可重复性。该模型特别适用于致密型乳腺和分类不一致病例，其热图解释功能为AI临床落地提供了透明化决策支持。未来需通过前瞻性多中心试验验证其普适性，并开发自动化分割模块以适配临床工作流。这项研究为精准医疗时代的多模态影像诊断树立了新范式。