基于原型部分学习的可解释端到端AI框架在数字乳腺断层合成图像中病灶检测与分类的应用研究

本研究针对数字乳腺断层合成(DBT)图像分析效率低、传统AI模型"黑箱"问题，创新性地开发了结合YOLOv5/YOLOv8检测模块与ProtoPNet可解释分类模块的两阶段框架。通过原型学习实现"此病灶被判定为癌症，因其图像区域与训练原型X相似"的直观解释，在公开BCS-DBT数据集上取得0.76召回率和0.70准确率，经放射科专家验证其临床相关性，为乳腺癌早期诊断提供了兼具性能与透明度的AI解决方案。

　　

在乳腺癌已成为全球女性头号癌症杀手的今天，数字乳腺断层合成(DBT)技术通过三维重建显著提升了传统钼靶的检测率，但海量图像数据却让医生陷入"信息过载"困境。更棘手的是，当前AI辅助诊断系统如同"黑箱魔术师"——能给出判断却说不出依据，这种不可解释性让临床医生望而却步。正是瞄准这两大痛点，来自国内的研究团队在《Computational and Structural Biotechnology Journal》发表创新成果，首次将原型可解释网络(ProtoPNet)引入DBT领域，构建了从病灶定位到分类的"玻璃盒子"式AI系统。

研究采用两阶段技术路线：首先运用YOLOv5/YOLOv8实现病灶检测，创新性地采用模型集成策略提升召回率；随后通过ProtoPNet进行可解释分类，该网络通过比对图像区域与预存"原型模板"来生成"因为像A所以是B"的医生友好型解释。实验数据来自目前唯一的公开DBT数据集BCS-DBT，针对其活检证实病例仅200例的局限，团队开发了跨切片数据增强技术，通过提取病灶在相邻25%体积切片中的多平面表现，使训练样本量扩大9倍。

【方法学亮点】

1. 检测阶段：对比YOLOv5/YOLOv8单模型与集成策略，采用交并比(IoU)>0.1的宽松标准适应医学图像特点；
2. 分类阶段：在ResNet18骨干网上构建ProtoPNet，通过聚类损失函数确保同类原型聚集、异类分离；
3. 临床验证：邀请两位资深放射科医生对原型临床意义、相似度概念对齐度、诊断可信度进行1-5分量表评估。

【结果精要】
3.1 检测模块表现
集成模型以0.76召回率超越单模型(YOLOv5:0.68，YOLOv8:0.62)，但伴随更多假阳性(精度0.31)。临床反馈揭示：38%的"假阳性"实为未标注的临床相关发现(如淋巴结、低PPV肿块)，修正后召回率提升至0.80。

3.2 分类模块性能
ProtoPNet在测试集达0.70平衡准确率，虽略低于黑箱版ResNet18(0.64)，但提供可视化解释。典型案例如图7所示：模型通过匹配病灶边缘不规则度与恶性原型#3，给出"形似恶性特征A"的判读依据。

3.3 临床评价启示
• 原型接受度：良性原型获3.4分(5分制)，但恶性原型仅1.9分，反映当前学习到的癌症特征与医生认知存在差距；
• 相似度共识：仅45%的ProtoPNet相似度判断与医生直觉一致(平均分2.85)；
• 诊断信任度：总体评分2.55，一位专家指出"AI关注的灰度范围可能不同于临床语义特征"。

【突破与展望】
这项研究在三方面树立标杆：一是创建首个DBT全流程可解释AI框架，二是将ProtoPNet创新应用于复杂医学图像解析，三是为新兴DBT模态的AI应用铺路。尽管当前性能距顶尖黑箱模型尚有差距——如DBTex挑战赛冠军达0.92召回率，但研究揭示的标注质量问题(约21%病灶跨切片存在标注遗漏)提示：性能差距可能部分源于数据缺陷而非算法局限。团队正在推进的PINK项目将整合更大规模私有数据集，并探索将相邻切片编码为RGB通道的3D处理方案，这些改进有望使系统达到临床实用水平。

正如通讯作者强调："在数据驱动医学AI时代，模型透明度与数据质量同等重要"。这项工作不仅为乳腺癌筛查提供新工具，更开创了"医生可理解、决策可追溯"的医学AI研发范式，其方法论对CT、MRI等多模态影像分析具有普适指导意义。未来通过放射学先验知识引导的原型学习、多中心数据验证等深化研究，这类"白盒AI"有望成为医生的"数字会诊伙伴"，而非令人不安的"神秘判官"。