基于瘤内-瘤周隐式关联与深度语义特征的超声乳腺癌智能诊断方法研究

针对乳腺癌超声诊断中瘤周区域特征利用不足的问题，本研究创新性地构建了融合图卷积网络(GCN)与医学基础模型(SAM-Med2D)的双分支架构，通过跨注意力模块(InterAtt)协同整合多区域空间关联与深度语义特征。在4035例跨中心验证中，模型诊断准确率最高达97.40%(±2.579)，淋巴结转移预测准确率提升3.07%，为乳腺癌精准诊疗提供了新范式。

　　

乳腺癌已成为全球女性发病率最高的恶性肿瘤，每年导致数十万人死亡。尽管超声检查因其无辐射、实时成像等优势成为重要筛查手段，但现有AI诊断系统仍面临两大挑战：一是过度关注瘤内区域而忽视富含生物信息的瘤周组织；二是传统卷积神经网络(CNN)难以同时捕捉全局空间关联与局部细节特征。复旦大学团队在《Biomedical Signal Processing and Control》发表的研究，开创性地将图卷积网络(GCN)与医学基础模型相结合，为破解这些难题提供了新思路。

研究采用双分支架构设计：GCN分支将肿瘤核心与周边5mm环形区域定义为节点，通过图卷积操作挖掘多区域空间关联；并行分支则基于SAM-Med2D基础模型提取深度语义特征。创新设计的跨注意力模块(InterAtt)通过双向特征引导实现信息融合，最终同步完成良恶性分类(准确率97.40%)和淋巴结转移预测(准确率71.11%)。关键技术包括：1)基于埃及Baheya医院(600例)和中国多中心队列(3453例)的跨数据集验证；2)GCN邻接矩阵构建时融合空间距离与纹理相似度；3)对SAM-Med2D编码器进行卷积微调以适应超声图像特性。

【结果】

1. 诊断性能：在独立测试集上，本方法良恶性分类准确率较次优模型提升1.85-2.34%，AUC达0.983(±0.012)；淋巴结转移预测F1-score提高4.62%。
2. 特征可视化：类激活图(CAM)显示模型能同时关注瘤内异质性和瘤周毛刺征等关键区域，集成梯度(IG)分析证实边缘强化特征对转移预测的贡献度达38.7%。
3. 消融实验：移除GCN分支导致特异性下降6.8%，而去除基础模型分支则使敏感度降低5.3%，证实双分支的互补性。

【结论与意义】
该研究首次将GCN引入超声乳腺癌诊断，通过瘤内-瘤周关联建模突破了传统ROI分析局限。医学基础模型的应用显著提升了模型对微小钙化等细微特征的捕捉能力，而InterAtt模块实现了非欧式空间特征与常规图像特征的有机融合。临床价值体现在：1)为"影像组学-深度学习"混合范式提供新框架；2)双任务联合预测可辅助制定个性化治疗方案；3)跨中心验证证实模型泛化能力。未来可扩展至多模态影像联合分析，推动乳腺癌早诊早治技术发展。