《AI》：AI Method for Classification of Diagnosis of Near-Infrared Breast Lesion Images
Kaiquan Chen,
Fangyang Shen,
Honggang Wang,
Zhengchao Dong,
Jizhong Xiao,
Ming Ma,
Afroza Aktar,
Christopher Chow and
Wenxiong Zhang
编辑推荐：
为解决传统乳腺病变筛查依赖专业医生、耗时耗力且精度有限的问题，本研究提出了一种基于EfficientNet-B0与Squeeze-and-Excitation (SE)注意力的深度学习框架，实现了对近红外（NIRI）/动态光学乳腺成像（DOBI）病灶图像的快速、准确、全自动检测与分类。该方法在帧级分类中取得了高达98.6%的准确率和0.9998的AUROC，展现了AI技术在辅助乳腺癌早期诊断和筛查中的巨大潜力。
在女性健康领域，乳腺癌是威胁生命的主要杀手之一，其死亡率在女性癌症中高居第二。传统的筛查手段，如乳腺X线摄影、超声、计算机断层扫描和磁共振成像，虽然被广泛应用，但存在一些固有局限：它们使用的X射线光源对人体有潜在伤害，可能诱发二次病变；并且，这些影像的解读、标注和诊断高度依赖于经验丰富的专业医师，过程漫长且易出错，平均一名医师每天仅能完成约10个样本的标注。这导致了诊断效率低下、样本准确性不高、诊断可靠性受限等一系列问题。
与此同时，一种更安全、无害的近红外光学乳腺成像技术正在兴起。它利用对人体无害的红外光源，能够动态获取数万张病灶图像。然而，海量的图像数据带来了新的挑战：手动处理和标注这些图像同样是一项繁重、艰巨且容易出错的工程。现有的AI辅助标注工具，如QuPath、HALO AI?和X-AnyLabeling，虽然提供了一定帮助，但仍以手动或半自动为主，无法实现快速、高精度的识别。为了突破这些瓶颈，一个研究团队开展了一项探索，旨在开发一种新的人工智能方法，以实现对乳腺病灶样本的快速、准确、全自动检测与诊断。
研究人员巧妙地设计并应用了几个关键技术来构建他们的AI诊断模型。首先，在数据处理方面，他们利用了由DOBI Medical International公司提供的包含DICOM (.dcm)和原始 (.dat)格式的乳腺病灶图像数据集。该数据集包含恶性（Positive Lesion）和良性（Negative Lesion）两类，所有恶性标签均由乳腺医生根据既定标准确定。研究团队将多帧DICOM文件分解为单帧，每帧作为一个独立样本，最终获得了超过3000张图像。所有图像被统一预处理为224×224像素，并采用了随机旋转、裁剪等数据增强技术来提升模型鲁棒性。数据集按70%（训练）、15%（验证）、15%（测试）的比例随机划分。
其次，在模型架构上，他们构建了一个基于EfficientNet-B0的深度学习分类框架。EfficientNet-B0以其高分类精度和计算效率而著称，非常适合医学图像分析。为了进一步增强模型对诊断相关特征的捕捉能力，研究者在架构中集成了一个Squeeze-and-Excitation注意力模块。这个模块的核心思想是通过“压缩-激励”操作，让网络学会关注那些对诊断更重要的特征通道，同时抑制信息量较少的通道。具体来说，它首先对特征图进行全局平均池化，生成一个通道描述符，然后通过两个全连接层和非线性激活（ReLU和Sigmoid）生成通道权重，最后用这些权重对原始特征图进行重新校准。在最后的SE注意力块之后，通过自适应平均池化层和全连接层，并采用Sigmoid激活函数进行二元分类输出。
最后，在训练过程中，为了应对数据集中可能存在的类别不平衡问题（恶性样本通常少于良性样本），研究者没有使用标准的二元交叉熵损失，而是采用了Focal Loss。Focal Loss通过引入一个调制因子，降低了易分类样本的损失权重，迫使模型更加关注那些难以分类或被错误分类的样本。优化器选用AdamW，训练时冻结了EfficientNet-B0的主干网络参数，只训练SE注意力块和分类头，这有助于防止在小数据集上过拟合，同时允许模型进行特定任务的适配。
研究结果部分详细展示了该模型的卓越性能。
在训练和验证性能方面，模型训练了100个周期，训练损失稳步下降，验证损失虽有早期波动但最终稳定在较低水平，表明模型得到了有效收敛，优化过程稳定。
关于验证指标，模型在验证集上的准确率、F1分数和AUROC曲线下面积均随训练持续提升。最终，AUROC达到了0.9998，准确率和F1分数分别达到0.9895和0.9892，显示出模型在区分良恶性乳腺病灶帧图像方面具有出色的判别能力。
从混淆矩阵和分类报告来看，模型在测试集上整体帧级准确率高达0.98。对于阴性病例，297个被正确分类，7个被误判为阳性；对于阳性病例，269个被正确分类，仅有3个被误判为阴性。精确度、召回率和F1分数均在0.98左右，表现出均衡且强大的分类性能。
在定量结果中，模型在帧级别实现了98.6%的分类准确率，验证集AUROC达到99.7%。这些高指标证明了模型在区分良恶性病灶方面的卓越能力。Focal Loss在处理类别不平衡问题上发挥了关键作用。
为了评估架构的影响，研究者进行了内部架构比较。他们在相同条件下训练了一个标准的ResNet-50模型作为基线。结果显示，ResNet-50仅取得了约70%的准确率，显著低于EfficientNet-B0结合SE注意力模块的模型。这表明，所提出的架构设计（EfficientNet结合SE注意力）对于近红外乳腺病灶分类任务具有明显的性能优势。
此外，交叉验证实验进一步评估了模型的稳健性。采用5折分层交叉验证策略，模型在每个折叠中都取得了极高且稳定的性能（例如，AUROC接近0.999），不同折叠间的性能差异很小，表明模型在当前数据集的不同划分下表现一致。
尽管结果令人鼓舞，但研究者在讨论与局限性部分也保持了审慎的态度。他们指出，异常高的准确率可能部分归因于数据集的特点：原始约100个DICOM文件包含多帧图像，分解后产生了超过3000个训练样本，这引入了高度的冗余性（相邻帧非常相似），可能导致模型性能被高估。数据增强策略在存在大量近似重复帧的情况下，可能无法完全补偿真实变异性的缺乏。因此，模型可能对当前数据集特定的模式存在过拟合风险，在应用于完全未见过的患者数据或来自不同扫描仪的图像时可能面临挑战。研究的其他局限性包括按帧划分数据、数据集规模有限、缺乏外部验证队列以及未进行明确的病灶定位。研究者强调，未来的工作需要包括扫描级别验证、使用独立外部数据集测试，并整合可视化技术（如Grad-CAM）来增强模型的可解释性和临床可信度。
在结论部分，研究总结指出，本研究成功开发了一个用于近红外乳腺病灶图像自动分类的深度学习框架。结合EfficientNet-B0和SE注意力机制的模型，在当前数据集中展示了强大的帧级良恶性判别能力。与ResNet-50基线的比较表明，架构选择对该成像模态下的性能有显著影响。尽管帧级结果表现强劲，但本研究应被视为一项可行性研究，为未来进一步改进和临床可靠性验证奠定了基础。
未来工作展望中，研究者提出了多个有前景的方向。一是引入强化学习，使模型能够从自身预测和反馈中迭代学习，优化决策过程。二是整合图像分割技术，实现对病灶区域的精确定位，为临床医生提供更具体的诊断信息。此外，还将系统比较不同的注意力机制（如SE与CBAM），进行详尽的消融实验以量化各组件（SE模块、Focal Loss、主干网络微调策略等）的独立贡献，并探索多模态数据（如结合患者人口统计学、遗传信息）的融合，以构建更全面、智能且具有临床价值的辅助诊断系统，最终为提升乳腺癌的早期诊断准确性和改善患者预后贡献力量。这项研究发表在期刊《AI》上。
