《Computational and Systems Oncology》:The Evolution of Breast Cancer Detection: A Review of Imaging, Machine Learning, and Multimodal Strategies
编辑推荐:
研究人员对2017年至2026年间发表的67篇相关研究进行了系统性文献综述,旨在全面分析计算智能技术在乳腺癌检测领域的演变与应用现状。研究涵盖了传统机器学习(ML)、深度学习(DL)、混合学习及传统图像处理等多种技术范式。在数据类型方面,研究主要涉及组织病理学
研究人员对2017年至2026年间发表的67篇相关研究进行了系统性文献综述,旨在全面分析计算智能技术在乳腺癌检测领域的演变与应用现状。研究涵盖了传统机器学习(ML)、深度学习(DL)、混合学习及传统图像处理等多种技术范式。在数据类型方面,研究主要涉及组织病理学全切片图像(WSI)、乳腺X线摄影(Mammography)、乳腺超声(BUS)等影像数据,以及威斯康星乳腺癌数据集(WBCD)、临床记录、基因组学等表格数据。研究人员发现,卷积神经网络(CNN)及其迁移学习变体(如ResNet、VGGNet、DenseNet、Inception)已成为处理高维图像数据的主流架构,在BreaKHis等基准数据集上准确率可达99.7%。同时,结合深度学习特征提取与传统分类器(如SVM、XGBoost)的混合模型在处理多模态数据及提升泛化能力方面表现出显著优势。尽管现有模型在封闭测试集上取得了极高的准确率、精确率、召回率、F1分数及受试者工作特征曲线下面积(AUC),但研究指出该领域存在可解释性人工智能(XAI)应用严重不足(仅占1.5%)、外部验证匮乏以及对多组学数据整合不够深入等关键问题。未来的研究应着重于开发具备临床可解释性的透明模型,加强跨机构的大规模数据验证,并深化影像组学与基因组学的融合,以促进人工智能技术在临床实践中的可靠转化。
4 研究方法
本研究采用系统性文献综述法以确保研究的严谨性与客观性。研究人员在Google Scholar、Semantic Scholar、PubMed、Scopus及Web of Science等主要学术数据库中进行了全面的文献检索。检索策略采用了包括“乳腺癌检测”、“机器学习(ML)”、“深度学习(DL)”、“组织病理学”、“乳腺X线摄影”、“超声成像”、“混合模型”及“多模态诊断”在内的特定关键词组合。文献筛选过程严格遵循纳入与排除标准,最终筛选出67篇符合要求的原创性研究论文(2017年及以后发表、以ML或DL为核心方法、提供全文且为英文文献)。随后,研究人员对入选文献进行了详细的数据提取与综合分析,提取内容包括研究目的、算法模型、数据集来源、性能指标及局限性,构建了本综述的实证基础。
5 分类体系
研究人员构建了一个包含算法类型、数据集来源、数据类型及评估指标四个维度的分类体系。
5.1 算法类型
5.1.1 机器学习(ML)
经典ML算法在35项研究中被使用,主要应用于结构化非图像数据。支持向量机(SVM)因在高维特征空间中寻找最优超平面的能力而被广泛用于良恶性二分类,如在三阴性乳腺癌(TNBC)区分中达到90%的灵敏度。随机森林(RF)作为一种集成学习方法,因其抗过拟合能力和对高维特征的适应性,在血液筛查模型中表现稳健。逻辑回归(LR)凭借其计算高效性和结果的可解释性常作为基线模型。k近邻(k-NN)和决策树(DT)虽应用广泛,但在处理大规模数据时效率受限。朴素贝叶斯(Na?ve Bayes)在高维特征下的表现通常逊色于SVM和RF。此外,集成提升模型如XGBoost在预后预测中显示出优越性能,常被用作混合架构中的强分类器。
5.1.2 深度学习(DL)
DL模型,特别是卷积神经网络(CNN),已成为处理非结构化医学图像数据的核心范式。由于医学数据量限制,迁移学习成为最常用策略,即将ImageNet等大型数据集上预训练的模型(如VGG-16/19、ResNet-18/50、Inception-v3、DenseNet-169/201、AlexNet)在特定医疗数据集上进行微调。VGGNet以其简洁的3×3卷积层设计成为特征提取的基准;ResNet通过引入残差连接解决了梯度消失问题,实现了更深层次的网络表达;DenseNet通过密集连接增强了特征传播;轻量级模型如MobileNet和ShuffleNet则适用于移动端部署。除迁移学习外,研究人员也开发了多种定制CNN架构(如DeepBreastCancerNet)及其他架构,如用于序列数据处理的循环神经网络(RNN/GRU)、深度信念网络(DBN)以及结合量子启发的张量网络(QTN)等。
5.1.3 混合学习
混合方法是当前的重要发展趋势。DL特征提取 + ML分类是最主流的模式,例如将DenseNet-201提取的特征输入XGBoost进行分类。多模态数据集成将影像特征与临床因素、基因组或代谢组学数据相结合,以提升预后预测能力。集成学习通过融合多个模型的预测结果(如堆叠法Stacking)来提高鲁棒性。特征融合与优化则致力于智能地合并异质特征或通过优化算法筛选最具代表性的特征。
5.1.4 传统方法
少数研究仅采用传统图像处理流程(如小波分解、形态学算子、Prewitt边缘检测)进行乳腺边界提取和胸大肌去除,未涉及ML或DL。
5.2 数据集来源
5.2.1 公共数据集
公共数据集提供了标准化的评测基准。通用存储库如Kaggle和UCI机器学习库被广泛使用。特定基准数据集包括:用于表格数据的威斯康星乳腺癌数据集(WBCD/WDBC);用于组织病理学的BreaKHis、癌症基因组图谱(TCGA)、PCam、BACH及Camelyon16;用于乳腺X线摄影的MIAS/mini-MIAS和CBIS-DDSM;用于超声的BUSI;以及用于皮肤成像的ISIC数据集。
5.2.2 私有/临床数据集
许多研究使用来自医院或诊所的私有数据,这对于模型在真实世界患者群体中的开发和评估至关重要,特别是在预后转移或化疗反应预测等特定任务中。
5.3 数据类型
5.3.1 图像数据
这是最主要的模态。组织病理学全切片图像(WSI)作为诊断的金标准,被广泛用于亚型分类和预后学习。乳腺X线摄影(包括数字乳腺断层合成DBT)主要用于病灶分类和辅助阅片。乳腺超声(BUS)因其无创性被用于病灶良恶性鉴别。此外,热成像/红外成像和磁共振成像(MRI)也在部分研究中作为数据源。
5.3.2 表格数据
包括WBCD等传统数据集、患者临床/人口统计学信息、基因组/多组学数据(基因表达、突变等)以及常规血液/实验室参数。这类数据主要应用于传统ML模型及预后相关的混合模型中。
6 评估结果
研究人员采用基于混淆矩阵的标准评估指标来衡量模型性能。
6.1.1 准确率(Accuracy):最常用的指标,但在类别不平衡时可能产生误导。
6.1.2 召回率(Recall/Sensitivity):衡量模型识别阳性病例的能力,对避免漏诊至关重要。
6.1.3 精确率(Precision):衡量阳性预测的准确性,对减少不必要的活检和患者焦虑至关重要。
6.1.4 F1分数(F1-score):精确率和召回率的调和平均数,适用于数据分布偏斜的场景。
6.1.5 受试者工作特征曲线下面积(AUC):衡量模型区分正负样本的能力,常用于预测病理完全缓解(PCR)或转移等预后模型。
综合分析显示,DL模型在图像分类任务上显著优于ML模型,例如ResNet-18在BreaKHis数据集上达到99.70%的准确率。然而,在WBCD等结构化数据上,传统ML模型(如SVM、LR)也能达到近乎完美的准确率。这表明不同范式的模型适用于不同的数据模态和问题域,直接比较跨模态的准确率数值在方法论上是不充分的。
7 结果分析
7.1 算法类型分布
仅使用DL的研究占比最高(44.8%),凸显了其在处理复杂医学图像方面的主导地位。混合方法紧随其后(35.8%),表明研究正从单一模型转向更复杂的集成与融合策略。仅使用ML的研究占16.4%,主要集中在结构化数据分类。此外,还有3.0%的研究专注于传统的图像预处理任务。
7.1.1 ML算法分布
随机森林(RF)和支持向量机(SVM)是最受欢迎的经典算法(各占19.6%)。决策树(DT)、k近邻(k-NN)和逻辑回归(LR)常作为基线模型。XGBoost和朴素贝叶斯应用较少,堆叠法(Stacking)最为罕见。
7.1.2 DL算法分布
通用CNN架构占22.8%。基于VGG和ResNet的迁移学习模型应用最为广泛。人工神经网络(ANN)占24.6%,多用于表格数据分类或作为混合模型的最后一层。RNN等专用架构占比较小。
7.1.3 混合算法分布
“DL特征提取 + ML分类”策略占混合研究的14.3%。“多模态数据集成”、“集成模型”和“特征融合”各占28.6%,显示出研究者倾向于综合利用不同技术的优势。
7.2 数据集来源分布
私有/临床数据使用最多(23.9%),反映了对真实世界应用的关注。WBCD数据集占17.9%,是ML算法的标准基准。Kaggle(14.9%)和BreaKHis(11.9%)是图像研究的主要来源。TCGA等基因组数据库的使用显示了多模态研究的增长。
7.3 数据类型分布
图像数据占绝对主导(66.2%),主要服务于DL模型的应用。表格数据占33.8%,涵盖临床结局和多组学数据,多用于预后研究。
7.4 评估指标分布
准确率是最常用的指标(24.3%)。F1分数(21.4%)、召回率(18.6%)、AUC(18.6%)和精确率(17.1%)共同构成了对模型性能的全方位评估,表明研究人员日益重视医疗诊断中的假阳性和假阴性权衡。
8 未来方向
首先,面向临床转化的可解释人工智能(XAI)。当前绝大多数模型(98.5%)缺乏解释机制,未来应整合类激活映射(CAM)、梯度加权类激活映射(Grad-CAM)、局部可解释模型无关解释(LIME)和沙普利加性解释(SHAP)等技术,以增强临床医生对模型决策的信任。其次,深化多模态数据集成。应超越简单的影像与临床数据结合,进一步探索基因组学、蛋白质组学和代谢组学等多组学数据与影像数据的深度融合,以实现个性化的治疗反应预测和生存分析。最后,增强泛化性与鲁棒性验证。未来研究应在更大规模、多中心、代表不同人群和设备的数据集上进行严格验证,以解决模型偏差和公平性问题。
9 结论
本综述系统分析了67项关于计算智能在乳腺癌检测中应用的研究。结果表明,以CNN为代表的DL技术在图像分析中占据主导地位,而传统ML在处理结构化数据上依然有效。混合学习通过整合不同范式的优势,展现出提升诊断性能和临床实用性的巨大潜力。然而,该领域仍面临可解释性严重缺失、外部验证不足以及多模态数据整合不充分等重大挑战。为了推动这些技术进入临床实践,未来的工作必须致力于开发透明、可信且经过严格临床验证的人工智能系统,最终实现乳腺癌诊疗的精准化与个性化。