基于ESE模块与双重迁移学习的TLese-ResNet模型在乳腺癌分子分型识别中的应用

来自江西某医院的研究人员针对乳腺癌分子分型识别难题，提出融合倒置残差网络、高效压缩激励(ESE)模块和双重迁移学习的轻量化TLese-ResNet模型。通过ImageNet→COVID-19胸片→乳腺钼靶的双阶段知识迁移，在CC/MLO视图数据上取得0.818准确率和0.883 AUC值，显著优于ResNet-50等基准模型，为临床提供无创辅助诊断新工具。

　　

这项研究创新性地构建了TLese-ResNet轻量化神经网络架构，通过整合倒置残差网络(Inverted ResNet)、高效压缩激励(Efficient Squeeze Excitation, ESE)模块和双重迁移学习技术，致力于解决乳腺癌分子亚型识别这一临床难题。倒置残差结构在减少网络参数量的同时，显著增强了跨层梯度传播和特征表达能力；ESE模块则巧妙平衡了网络复杂度与通道关系捕获性能。研究数据源自江西某医院确诊的浸润性乳腺癌患者术前钼靶影像，包含头尾位(CC)和内外斜位(MLO)两种视图。

针对数据集规模有限的挑战，研究团队不仅采用常规数据增强手段，更设计了创新的双重迁移学习策略：第一阶段将ImageNet预训练模型迁移至COVID-19胸片数据集，第二阶段再将知识迁移至目标乳腺钼靶数据集。五折交叉验证结果显示，该模型在CC和MLO视图上的平均准确率分别达到0.818，曲线下面积(AUC)高达0.883，性能显著超越ResNet-50、DenseNet-121等主流深度学习模型。这项成果为临床医师提供了高效、无创的乳腺癌分子分型识别辅助工具，具有重要的转化应用价值。