可解释WinDWS-SwinNet：优化超声深度影像组学用于多病理乳腺病变分类

《Academic Radiology》：Explainable WinDWS-SwinNet: Optimizing Ultrasound Deep Radiomics for Multipathology Breast Lesion Classification

　　

研究理由与目标

通过无创成像技术及时、准确地将乳腺病变区分为不同的病理类别，对于早期癌症诊断和有效的患者管理至关重要。本研究旨在开发一种新颖的、可解释的基于注意力的深度网络，通过分析超声成像中的放射组学模式来预测异质性乳腺癌类型。

材料与方法

一项多中心回顾性数据集，包含从五个不同中心/数据库收集的乳腺组织明场超声图像。共分析了3256幅图像，包括经活检证实的2068例良性病变和1188例恶性病变。开发了一种轻量级且计算可扩展的网络WinDWS-SwinNet，用于乳腺癌症的二分类和多病理分类。提出了一种优化的图像预处理算法，以增强超声放射组学特征，从而提高数据通用性和诊断准确性。

结果

WinDWS-SwinNet架构在乳腺癌分类中展现了卓越的性能，曲线下面积达到0.96，总体测试准确率为95.79%，并取得了稳健的分类结果，良性肿瘤的精确率为95.11%，灵敏度为98.51%；恶性肿瘤的精确率为97.13%，灵敏度为90.86%。在多病理分类中，该模型的测试准确率达到93%，分类准确率在94%至99.5%之间。在独立的未见数据集上的外部验证结果显示准确率为95.36%，突显了所提出模型超越训练数据的稳健性和泛化能力。

结论

所开发的方法学在无创地将乳腺病变表征为病理亚型方面显示出有前景的结果，有效地模拟了现实世界中的诊断流程，从而支持放射科医生减少诊断不确定性并增强临床决策的信心。

章节摘要

引言

乳腺癌在女性中仍然是继肺癌之后第二常见且致命的癌症类型，且每年报告的病例数不断增加，超过其他恶性肿瘤。此外，其发病率持续逐年上升，使其成为导致女性死亡的主要原因之一^{1, 2, 3}。乳腺癌不是一种单一的疾病，而是由几种不同的病理亚型组成，每种亚型具有不同的组织学特征、生长模式和临床意义⁴。浸润性导管癌

材料与方法

该方法学由各种优化的预处理技术组成，用于增强超声图像中导致准确表征潜在病理的关键成像特征。混合式WinDWS-SwinNet架构结合了加权深度卷积层的效率，并利用具有优化注意力机制的变压器实现了全局建模能力，从而产生更具判别性的特征用于分类。所提出工作流程的示意图

结果

当前研究中提出的乳腺癌检测模型已取得了令人满意的结果，展示了其在利用超声图像进行癌症实时预测方面的有效性及潜在影响。为确定从超声图像中提取特征的最有效深度网络架构，训练并验证了多种已建立的卷积神经网络架构，包括EfficientNetB0⁴²、ResNet50⁴³、DenseNet169⁴⁴、InceptionV3⁴⁵、ConvNeXtTiny、Xception⁴⁶以及ViT。

讨论

实验结果表明，WinDWS-SwinNet在利用超声图像进行二分类和多分类乳腺病变分类中均实现了可靠的表现。该模型在BUS-ALL数据集上保持了稳定的性能，该数据集包含来自多个机构、多样化患者群体和不同超声系统的样本。这种图像采集的异质性代表了常规临床实践的情况，表明所提出的框架可以

结论

本研究提出了一种稳健且计算高效的混合深度学习网络WinDWS-SwinNet，该网络结合了MBConv和Swin-Transformer模块，用于超声图像中乳腺肿瘤的自动化检测和分类。所应用的预处理流程有效地标准化了数据，消除了噪声，并增强了图像对比度，从而优化了训练和测试中输入图像的质量，显著增强了成像特征，并最终提高了

CRediT作者贡献声明

Deepanshu Sharma：写作—初稿撰写、可视化、验证、方法学、调查、形式化分析、数据管理、概念构思。Sunita Chauhan：写作—审阅与编辑、写作—初稿撰写、监督、调查、概念构思。

利益冲突声明

作者声明，他们没有已知的竞争性经济利益或个人关系，这些可能已影响本文报告的工作。

致谢

本研究部分由Plaksha大学发明研究所资助。其中一位作者通过Plaksha大学Plaksha博士奖学金获得了财政支持。

数据可用性

数据集的来源已在研究论文正文中引用，汇总数据将应要求提供。

Deepanshu Sharma|Sunita Chauhan