参数高效轻量模型在乳腺X线摄影与表格数据双模态乳腺癌诊断中的性能验证

《IEEE Access》：Toward Efficient Clinical Deployment: A Lightweight CNN for Mammographic Classification and a Cross-Modal Analysis with Structured Clinical Data

　　

摘要：

乳腺癌仍然是全球女性癌症相关死亡的主要原因，然而ResNet-152和EfficientNet-B7等前沿架构需要数亿个参数，使其在标准临床工作站上难以实际应用。我们研究参数高效模型是否能在两种诊断模态中提供具有竞争力的准确性。在CBIS-DDSM乳腺X线摄影数据集（来自1,315名患者的3,286张图像）上，一个仅含约11.9万参数的轻量级CNN，在嵌套患者级分层组交叉验证并以多数投票聚合评估下，达到了90.0%的准确率（±1.2%）、90.2%的F1分数（±1.4%）和94.4%的AUC-ROC（±0.8%），在Intel Core i5-10400处理器上经过100次预热运行（批大小1，TensorFlow 2.15）测得的平均CPU推理延迟为12.3毫秒。消融研究表明，优化器的选择具有决定性作用：学习率为10??的Adam能可靠收敛，而无动量的SGD则停滞于多数类性能附近。在威斯康星诊断乳腺癌（WDBC）表格数据集上，一个采用15个PCA主成分的ANN在留出测试集（n=114；10折交叉验证均值99.82%±0.36%）上达到了100.00%的准确率，且所有预处理统计量仅基于训练数据拟合。这两个基准仅进行描述性并列对比，而非因果比较，因为两个数据集在采集模态、患者群体、特征维度和验证方案上存在差异。总体而言，准确率-复杂度-延迟的组合特征为在资源受限的临床环境中部署准确的诊断工具提供了实用框架。