基于无标签注意力引导去噪扩散模型的乳腺癌术后美容效果客观评估框架

针对乳腺癌术后美容效果评估依赖主观标注、缺乏客观标准的问题，研究人员提出无监督异常检测模型AG-DDAD（Attention-Guided Denoising Diffusion Anomaly Detection），结合扩散模型与DINO ViT注意力机制，实现高质量图像重建与异常区域精准转换。实验表明，该方法在300例患者数据中超越传统规则算法与现有SOTA模型，为医疗领域无监督异常检测提供新范式。

　　

乳腺癌作为女性最高发的恶性肿瘤，术后美容效果直接影响患者生活质量。然而，现有评估方法如哈佛-哈里斯量表依赖专家主观评分，存在重复性差的问题；而BCCT.core等软件虽提供客观指标，但基于规则的设计难以捕捉复杂特征。更棘手的是，传统深度学习模型需依赖大量标注数据，而医学领域标注成本高昂且易受主观偏差影响。如何突破标注依赖，建立客观、可量化的评估体系，成为亟待解决的临床难题。

为此，延世大学医学院的研究团队开发了AG-DDAD模型，通过融合去噪扩散概率模型（DDPM）与无标签蒸馏（DINO）视觉Transformer（ViT）的注意力机制，首次实现无需人工标注的乳腺癌美容效果自动评估。该研究发表于《Artificial Intelligence in Medicine》，其核心创新在于：利用1237例未标注的正常美容效果图像训练扩散模型，通过异常检测视角量化术后差异；引入注意力引导的软掩膜修复技术，针对性增强关键区域转换。关键技术包括：基于DDPM的图像重建、DINO ViT的注意力图生成、动态掩膜加权修复策略，以及300例专家标注队列的临床验证。

研究结果
Denoising diffusion models
研究采用DDPM逐步去噪机制，通过正向扩散与逆向重建过程学习数据分布。相比GANs，该模型在医学图像生成中表现出更稳定的训练特性和更高保真度。

Overview of the proposed AG-DDAD model
模型架构创新性整合DINO ViT的注意力图与扩散模型：首先提取图像多尺度注意力特征，生成标识异常区域的软掩膜；随后在扩散重建阶段对掩膜区域施加加权转换，使严重异常区域（如乳房变形）在重建后更趋近正常形态。

Differences of anomaly scores between cosmesis groups
在300例验证队列中，模型输出的异常评分与专家共识显著相关：优秀组中位数6.628（IQR 6.119-7.412），良好组7.175（6.412-7.839），一般组8.427（7.534-9.383），差组10.316（9.128-11.427），呈现明确的剂量反应关系（p<0.001）。

讨论与结论
该研究突破性地将无监督异常检测引入医疗图像评估领域。相比传统方法，AG-DDAD具有三重优势：其一，彻底摆脱对专家标注的依赖，利用大量易获取的无标签数据训练；其二，注意力机制与扩散模型的协同作用，使模型能聚焦于解剖学相关区域（如乳头位置、乳房轮廓）进行精准评估；其三，输出的可视化重建图像为临床提供直观的决策依据。研究不仅为乳腺癌美容评估建立新标准，更开创性地证明无监督学习在主观性强的医疗任务中的可行性，为皮肤病变、整形手术等其他依赖主观评价的领域提供普适性框架。

局限性
当前模型在极端异常案例（如严重放射性纤维化）中表现有待提升，未来需扩大训练数据多样性。此外，评分系统与患者心理体验的临床相关性需进一步验证。研究团队计划开展多中心前瞻性试验，探索模型评分与患者报告结局（PROs）的关联性。