基于深度学习的乳腺X光摄影乳腺癌分类：一种针对病灶的混合集成方法

《IEEE Access》：Deep Learning-Based Breast Cancer Classification in Mammography: A Lesion-Specific Approach with Hybrid Ensemble

　　

摘要：

大多数乳腺X光计算机辅助诊断系统都是将所有类型的病变一起进行训练，而没有考虑肿块与钙化在形态上的本质差异。本研究在数字乳腺筛查数据库的精选乳腺影像子集（CBIS-DDSM）上，针对1,428名患者和2,704张图像，采用了严格的按患者分组方式，提出了三种用于恶性病变分类的集成策略，并对其进行了评估：在所有类型病变上训练的统一模型、分别为肿块和钙化单独训练的模型，以及一种通过优化验证后的融合权重（α? = 0.4）自适应结合这两种模型的混合集成模型。研究使用了四种卷积神经网络架构（ResNet50、DenseNet121、EfficientNet-B0和ConvNeXt-Tiny），并在相同的预处理流程和患者级评估标准下进行比较，以确保各策略之间的公平性。结果表明，训练策略与性能之间存在与病变类型相关的关系：尽管肿块专用模型的训练数据仅占统一模型的46%，但其性能更优（AUC：0.754对比0.748，ΔAUC = 0.006），而钙化专用模型的性能则较差（AUC：0.711）。在集成层面，混合模型在整体区分能力上与统一策略相当（AUC：0.782对比0.783，p值无显著性差异），同时在该数据集中，在保持90%敏感度的同时将假阳性率降低了11.9%（104例对比118例），其性能也显著优于仅针对某一类型病变的集成模型（p < 0.001）。这些发现表明，选择训练策略时采用针对不同病变类型的方案可能更为有效，同时也为CBIS-DDSM提供了可重复的患者级评估标准，便于未来的比较研究。