基于大模型定制化模块的自动乳腺超声图像半自动化乳腺肿瘤分割研究

为解决自动乳腺超声(ABUS)图像中乳腺肿瘤分割的挑战，研究人员采用低秩自适应(LoRA)策略改进SAM-Med3D模型，开发了半自动化分割方法。在329例患者数据中，模型训练集、验证集和测试集的平均Dice系数分别为0.75、0.78和0.75，在TDSC-ABUS 2023挑战赛测试集上达到0.79的先进水平。该研究为计算机辅助诊断(CAD)系统提供了可行方案，显著提升了ABUS图像分析的效率和准确性。

　　

乳腺癌作为女性最常见的恶性肿瘤之一，其发病率持续攀升，严重威胁女性健康。早期筛查对提高治愈率至关重要，但传统筛查方法如乳腺X线摄影和手持超声(HHUS)存在诸多局限：X线对致密型乳腺敏感性低且有辐射，而HHUS难以获取三维结构信息且结果依赖操作者经验。近年来，三维自动乳腺超声(ABUS)技术因其无辐射、高分辨率和全乳腺覆盖的优势成为重要补充，但ABUS图像通常包含数百层切片，即使经验丰富的放射科医生也需要耗费大量时间阅片。

在此背景下，温州医科大学附属第五医院联合杭州电子科技大学智能媒体计算研究所的研究团队开展了一项创新性研究，旨在开发一种高效准确的ABUS图像乳腺肿瘤半自动分割方法。研究基于SAM-Med3D大模型，引入低秩自适应(LoRA)定制化模块，在保持模型性能的同时大幅降低参数更新量。该成果发表于《Scientific Reports》，为计算机辅助诊断(CAD)系统提供了关键技术支撑。

研究采用了多项关键技术方法：从329例经病理确诊的乳腺癌患者(平均年龄54岁)收集ABUS图像数据，随机分为训练集(204例)、验证集(29例)和测试集(59例)，并加入TDSC-ABUS 2023挑战赛的200例外部测试数据；由两位经验丰富的超声医师使用ITK-SNAP软件手动标注肿瘤区域作为金标准；采用五折交叉验证策略评估模型性能；开发了包含3D图像编码器、3D掩码解码器、3D提示编码器和LoRA层的定制化架构，其中LoRA模块仅占原模型2.6%的存储空间；使用Dice系数和Hausdorff距离(HD)作为主要评估指标。

研究结果

Study population
对292例患者数据分析显示，病灶体积中位数为3.39 cm³(范围1.64-100.03 cm³)，其中61.6%为0-5 cm³小病灶。BI-RADS分类涵盖3-6类，以4C类占比最高(42.5%)。与TDSC-ABUS数据集相比，收集数据集的病灶体积显著更大(p=5.55×10^-6)。

Performance of modified SAM-Med3D with customized module
模型在训练集、验证集和测试集的平均Dice系数分别为0.75±0.09、0.78±0.07和0.75±0.08。按BI-RADS分类分析，性能最佳为BI-RADS 5类(DSC 0.77)，最差为BI-RADS 6类(DSC 0.73)；按病灶体积分组，0-5 cm³组表现最优(DSC 0.77)。在TDSC-ABUS测试集上达到0.79的Dice系数，较该挑战赛最佳成绩提升6.1%。与传统3D ResNet模型(DSC 0.44)相比优势明显。

讨论与结论
该研究首次将SAM-Med3D与LoRA策略结合应用于ABUS图像分割，证实了大型视觉模型经适当调整后可用于特定医学任务的可行性。定制化模块仅29.56 MB的轻量化特性使其易于临床部署。虽然模型在极端尺寸(如>20 cm³肿瘤)和BI-RADS 6类病例中表现稍逊，但整体达到了接近专业医师的水平。

研究创新性地模拟了放射科医师的点击操作——通过在肿瘤区域内随机采样坐标点作为提示，模型能迭代优化分割结果。这种方法显著减少了人工标注工作量，同时保持了较高准确性。未来可通过扩充数据集平衡样本分布，并探索全自动分割算法，最终实现与多模态检查结果融合的智能诊断系统。

该成果不仅为ABUS图像分析提供了实用工具，更验证了"基础模型+轻量化适配"这一技术路线在医学影像领域的应用潜力，对推动AI辅助乳腺癌筛查具有重要临床价值。