综述：2020—2025年乳腺影像无监督聚类研究算法、模态与评估指标的系统综述

《BMC Medical Imaging》：Image clustering for breast cancer detection and diagnosis: a systematic review of algorithms, imaging modalities, feature representations and reported performance (2020–2025)

　　

摘要

背景

乳腺癌是全球女性中最常见的癌症，许多女性因此死亡。有监督深度学习是目前乳腺影像分析的主流方法，但它依赖于大规模标注数据集，而这些数据集收集成本高昂，且在乳腺癌发病率增长最快的国家尤为稀缺。尽管聚类方法不需要像素级标签，但在深度学习时代，尚无先前的综述系统记录其在乳腺成像各模态中的应用。本综述概述了2020年至2025年乳腺影像聚类研究中使用的算法、模态、特征表示和评估指标。

方法

遵循PRISMA 2020指南，我们在IEEE Xplore、PubMed/MEDLINE和Scopus中检索了2020年1月至2025年12月间发表的英文同行评审原始研究，这些研究将影像聚类直接应用于乳腺影像，并提供了足够的细节以评估方法、数据集和指标。一位评审人员在Rayyan中进行筛选和去重，将每条候选文献与已发表版本中的原始记录进行比对。采用针对无监督分割改编的QUADAS-2工具评估偏倚风险。鉴于纳入研究的高度异质性，结果以叙述性合成方式呈现研究数量。

结果

在1552条记录中，11项研究符合纳入标准。乳腺X线摄影是最受关注的模态（6项研究），其次是组织病理学和动态对比增强MRI（各2项）以及超声（1项）。5项研究使用模糊C均值或其变体，4项使用K均值或其变体，2项使用其他划分方法；5项使用元启发式优化器进行聚类，3项在学习特征空间中进行聚类。有监督指标（准确率、敏感性和特异性）在报告结果中占主导地位；2项研究报告了每张图像的 computational cost（计算成本），2项报告了内部聚类有效性指数。没有研究报告轮廓系数、观察者间一致性或前瞻性验证。

结论

该领域已从基于质心的划分方法演进至优化增强和深度特征聚类，但评估仍以与有监督标签的一致性为主，无监督方法的特性评估仍不充分。临床转化的主要障碍包括报告不均匀、依赖少数公开可用数据集，以及缺乏前瞻性、人口学多样的验证。本综述尚未注册。

背景

乳腺癌是全球女性中最常见的癌症，许多女性因此死亡。有监督深度学习是目前乳腺影像分析的主流方法，但它依赖于大规模标注数据集，而这些数据集收集成本高昂，且在乳腺癌发病率增长最快的国家尤为稀缺。尽管聚类方法不需要像素级标签，但在深度学习时代，尚无先前的综述系统记录其在乳腺成像各模态中的应用。本综述概述了2020年至2025年乳腺影像聚类研究中使用的算法、模态、特征表示和评估指标。

方法

遵循PRISMA 2020指南，我们在IEEE Xplore、PubMed/MEDLINE和Scopus中检索了2020年1月至2025年12月间发表的英文同行评审原始研究，这些研究将影像聚类直接应用于乳腺影像，并提供了足够的细节以评估方法、数据集和指标。一位评审人员在Rayyan中进行筛选和去重，将每条候选文献与已发表版本中的原始记录进行比对。采用针对无监督分割改编的QUADAS-2工具评估偏倚风险。鉴于纳入研究的高度异质性，结果以叙述性合成方式呈现研究数量。

结果

在1552条记录中，11项研究符合纳入标准。乳腺X线摄影是最受关注的模态（6项研究），其次是组织病理学和动态对比增强MRI（各2项）以及超声（1项）。5项研究使用模糊C均值或其变体，4项使用K均值或其变体，2项使用其他划分方法；5项使用元启发式优化器进行聚类，3项在学习特征空间中进行聚类。有监督指标（准确率、敏感性和特异性）在报告结果中占主导地位；2项研究报告了每张图像的计算成本，2项报告了内部聚类有效性指数。没有研究报告轮廓系数、观察者间一致性或前瞻性验证。

结论

该领域已从基于质心的划分方法演进至优化增强和深度特征聚类，但评估仍以与有监督标签的一致性为主，无监督方法的特性评估仍不充分。临床转化的主要障碍包括报告不均匀、依赖少数公开可用数据集，以及缺乏前瞻性、人口学多样的验证。本综述尚未注册。