综述：深度学习在自动乳腺超声中的应用：当前进展、挑战与机遇

这篇综述系统梳理了深度学习（DL）在自动乳腺超声（ABUS）中的最新应用进展，重点探讨了计算机辅助诊断（CAD）系统在乳腺病变分类、分割和检测中的技术突破，同时指出数据稀缺、小病灶识别等挑战，并展望了多模态DL和大模型技术在乳腺癌早期筛查中的潜在价值。

　　

引言

乳腺癌是全球女性最常见的恶性肿瘤，2022年新发病例达229万（占女性癌症23.8%）。自动乳腺超声（ABUS）作为新兴三维成像技术，通过标准化扫描流程和三维重建能力，显著降低了传统手持超声（HHUS）的操作依赖性。深度学习（DL）驱动的计算机辅助诊断（CAD）系统正成为ABUS临床落地的关键支撑，本文将从技术路径到临床挑战展开深度解析。

ABUS技术基础

ABUS图像采集包含五个关键步骤：患者体位调整、扫描参数设置、自动多切面扫描、二维图像三维重建及多平面显示（轴向、冠状、矢状面）。相较于HHUS的二维局限性，ABUS通过AP（前-后）、LAT（外侧）、MED（内侧）三个标准扫描位点实现全乳腺覆盖，尤其适合致密型乳腺的高危人群筛查。其三维成像特性不仅减少漏诊率，更为DL模型提供了丰富的空间特征学习条件。

DL在ABUS中的核心应用

病变分类

Wang等开发的基于迁移学习的多视图卷积神经网络（CNN）在316例乳腺病变中实现AUC 0.9468，灵敏度达88.6%。Kim团队创新的弱监督分支网络（Mask Branch Network）利用放射报告生成模板掩膜，在434个BI-RADS≥2病灶中取得AUC 0.9491，证明无额外标注也能提升分类性能。

病变分割

针对ABUS图像噪声大、边界模糊的特点，Cao等设计的扩张密集连接U-Net（D²
U-Net）引入混合扩张卷积，在170个容积数据中Dice系数达0.6902。Pan团队将双向长短期记忆网络（BLSTM）与空间-通道注意力（SC-attention）结合，通过切片间上下文建模将DSC提升至0.8178。而Lei的Mask Scoring R-CNN通过检测-分割子网络联动，在70例乳腺癌患者中实现DSC 0.82±0.15。

病变检测

Li等改进的YOLOv3通过多任务学习同步生成肿瘤候选区和掩膜，在181个肿瘤实例中实现90%灵敏度。Zhang开发的贝叶斯YOLOv4融合蒙特卡洛丢弃（MC-Drop）技术，将每切片假阳性降至0.19。V-BUILDS系统整合3D ResNet和Transformer编码器，对741例患者3114个病灶的总体检出率达71.2%，但对<10mm小病灶性能仍有提升空间。

挑战与突破路径

数据瓶颈

当前研究普遍面临患者样本不足（多数<400例）的问题。解决方案包括：利用生成对抗网络（GAN）合成数据、开发小样本学习（Few-shot Learning）算法，以及建立跨机构ABUS公共数据集。

技术痛点

小病灶识别受限于ABUS分辨率，多尺度学习和焦点损失（Focal Loss）可增强模型对微钙化等细微特征的捕捉。假阳性问题可通过Vision Mamba等新型架构优化，或融合乳腺X线、MRI等多模态信息。

前沿机遇

超越传统病灶诊断，DL在ABUS中的应用正向更广维度拓展：

• Huang的3D ResNet多任务模型通过ABUS图像预测ER/PR/HER2表达，AUC最高达0.767
• 结合多普勒超声和弹性成像开发多模态CAD系统
• 探索Segment Anything Model（SAM）等基础模型在乳腺解剖层自动分割中的潜力

结语

从技术适配到临床转化，DL与ABUS的结合仍处于快速进化阶段。未来需通过医工交叉解决数据异构性、模型可解释性等核心问题，最终实现从"辅助诊断"到"智能决策"的跨越。大模型时代的到来，或将为个性化乳腺癌筛查开启全新范式。