基于域自适应多目标优化的数字乳腺断层摄影病灶恶性预测模型研究

为解决乳腺癌早期诊断中数据稀缺和域偏移问题，研究人员提出了一种域自适应自动化多目标神经网络(Adaptive-AutoMO)，通过MINAS算法优化模型平衡性，MMD-SSDAF实现隐私保护下的域适应，ERE方法提升预测可信度。实验表明该模型在DBT图像上的敏感度(0.6667)、特异度(0.7179)和AUC(0.7550)均优于传统模型，为临床诊断提供了可靠工具。

　　

在乳腺癌诊疗领域，数字乳腺断层摄影(DBT)虽能提供三维乳腺结构信息，但面临三大挑战：不同医疗机构的成像设备差异导致模型性能下降(域偏移问题)、患者数据隐私保护限制数据共享、以及传统深度学习模型在良恶性病灶预测时难以平衡敏感度(SEN)与特异度(SPE)。更棘手的是，现有模型常被视为"黑箱"，无法评估预测结果的可信度，这给临床决策带来风险。

针对这些难题，南方医科大学的研究团队在《Journal of Biomedical Informatics》发表了创新性研究。他们开发了Adaptive-AutoMO系统，通过三阶段框架实现突破：首先采用多目标免疫神经架构搜索(MINAS)生成Pareto最优模型集，利用贝叶斯优化自动调整超参数；随后设计基于最大均值差异的半监督域适应网络(MMD-SSDAF)，在保护源域隐私的同时完成特征分布对齐；最后通过熵基证据推理(ERE)融合多个模型输出并量化不确定性。研究使用南方医科大学960例DBT数据(SMU-DBT)作为源域，杜克大学224例公开数据(DU-DBT)作为目标域进行验证。

关键技术包括：1) MINAS算法同步优化SEN/SPE，采用克隆-变异-更新机制搜索最优架构；2) MMD-SSDAF通过核函数计算源域(SF)与目标域(TF)特征分布差异；3) ERE方法整合蒙特卡洛Dropout(MCDO)的多次推理结果，输出预测概率与不确定性。

研究结果显示：
• 域适应效果：经MMD-SSDAF调整后，OPT系列模型在DU-DBT上的AUC提升至0.6930-0.7415，显著优于ResNet-18(0.6246)和DenseNet-121(0.6368)。融合5个模型的Adaptive-AutoMO达到0.7550 AUC，平衡度达0.9287。
• 可信度验证：移除前25%高不确定性样本后，模型性能跃升至0.8099 AUC，证实不确定性指标能有效识别潜在误判病例。
• 计算效率：尽管参数量达15.41M，但单次推理仅需104.46ms，满足临床实时性需求。

这项研究开创性地将多目标优化、隐私保护域适应和不确定性量化融为一体。其创新价值体现在：1) MINAS算法突破传统模型在数据不平衡时的性能瓶颈；2) MMD-SSDAF为跨机构医疗数据协作提供隐私保护新范式；3) ERE机制使AI辅助诊断具有可解释性。未来通过扩展多中心验证和3D特征融合，有望推动DBT智能诊断系统进入临床实践，为乳腺癌早筛提供更可靠的工具。