《Journal of Imaging Informatics in Medicine》：A Noise-Aware Robustness Evaluation Framework for Breast Cancer Classification in Ultrasound Imaging
编辑推荐：
乳腺癌作为全球癌症相关死亡的主要诱因之一，其精准检测至关重要。超声因可及性高、安全性好及功能互补性，常与钼靶、磁共振成像（MRI）联合用于临床筛查，但图像质量受操作者依赖性影响显著，推动了深度学习（DL）在病灶检测、分类及分割中的应用。尽管DL在无噪声条件下可
乳腺癌作为全球癌症相关死亡的主要诱因之一，其精准检测至关重要。超声因可及性高、安全性好及功能互补性，常与钼靶、磁共振成像（MRI）联合用于临床筛查，但图像质量受操作者依赖性影响显著，推动了深度学习（DL）在病灶检测、分类及分割中的应用。尽管DL在无噪声条件下可实现高精度，但真实场景中采集因素与散斑噪声导致的图像退化会降低模型可靠性，增加恶性肿瘤漏诊风险。为此，研究人员提出一种噪声感知训练框架，通过在可控高斯噪声、泊松噪声及散斑噪声条件下模拟临床相关退化，评估模型鲁棒性。研究采用公开乳腺超声图像（BUSI）数据集（包含2018年收集的600例女性患者的780张超声图像），对自定义卷积神经网络（CNN）与预训练Inception V3模型进行评估。该框架整合了可控噪声建模、鲁棒性评估及跨噪声类型与强度的噪声匹配训练，以准确率与恶性召回率为评价指标。结果显示：高斯噪声对自定义CNN性能影响最显著，在5 dB信噪比（SNR）条件下准确率下降36.1%；泊松噪声对Inception V3影响最大，准确率下降35.2%；散斑噪声引起的准确率变化较小，但高噪声下恶性召回率显著降低。噪声匹配训练在5 dB SNR条件下可使准确率最高提升56.5%，但在低噪声强度下增益有限。研究表明，噪声感知且保留召回率的评估策略是保障乳腺超声分析安全性的必要前提。
乳腺癌是全球女性发病率最高的恶性肿瘤，也是癌症相关死亡的第二大诱因，早期精准检测可显著降低死亡率。当前乳腺影像诊断依赖钼靶、超声及MRI等多模态技术，其中超声因实时、无辐射及高可及性成为临床常用补充手段，但其图像质量受设备差异、患者运动及采集伪影影响，散斑噪声会掩盖病灶细微特征，导致放射科医师与人工智能（AI）系统的判读难度增加。现有深度学习（DL）模型在干净图像上虽表现优异，但临床场景下的噪声鲁棒性研究不足，尤其缺乏对多噪声类型下分类可靠性及恶性漏诊风险的系统性评估。为此，研究人员构建了面向乳腺超声分类的噪声感知鲁棒性评估框架，旨在量化高斯噪声、泊松噪声及散斑噪声对不同架构模型的影响，为临床级AI诊断系统的可靠性验证提供方法论支持。该研究发表于《Journal of Imaging Informatics in Medicine》，其核心贡献在于建立了可控多噪声评估协议、对比了任务特定CNN与迁移学习模型的泛化差异，并提出了以恶性召回率为核心的临床导向鲁棒性分析范式。
研究采用的关键技术方法包括：使用公开BUSI数据集（含600例患者780张超声图像，分为正常、良性、恶性三类），将原始超声图像与对应病灶掩码作为输入样本；对图像进行224×224像素归一化及灰度转三通道预处理；通过可控注入高斯噪声（模拟电子热噪声）、泊松噪声（模拟低回声区信号依赖变异）及散斑噪声（模拟相干散射纹理退化），设置25 dB（低噪声）、15 dB（中等噪声）、5 dB（高噪声）三个信噪比（SNR）水平；构建两类模型——轻量级自定义CNN（含四层卷积与全连接分类头）与基于ImageNet预训练的Inception V3迁移学习模型（添加256神经元全连接层与三分类输出头）；采用五折分层交叉验证，设置清洁训练测试、清洁训练-噪声测试及噪声匹配训练测试三种实验场景，以准确率、恶性召回率及假阴性率为核心评价指标。
研究结果部分如下：
基线性能显示，Inception V3在干净图像上的准确率达0.91±0.01，宏F1值为0.90±0.01，恶性召回率为0.83±0.02，显著优于自定义CNN（准确率0.72±0.02，宏F1值0.70±0.01，恶性召回率0.49±0.03）。混淆矩阵分析表明，Inception V3的多尺度特征提取能力可有效捕捉病灶纹理与边界特征，但仍存在约15%的恶性→良性错分，提示高干净图像性能不代表临床安全性。
清洁训练模型泛化至噪声输入的实验表明，噪声类型与强度显著影响性能：自定义CNN受高斯噪声影响最大，5 dB SNR时准确率下降26个百分点；Inception V3对泊松噪声最敏感，同条件下准确率下降32个百分点。散斑噪声对整体准确率影响较小，但恶性召回率在高噪声下仍明显降低。统计检验证实模型架构、噪声类型与SNR水平存在显著交互效应，且恶性召回率的变化具有架构依赖性——自定义CNN在高斯与泊松噪声下恶性召回率反常升高（5 dB时达0.81），实则是决策边界偏移导致良性样本被误判为恶性的结果，特异性显著降低。
噪声匹配训练结果显示，该方法可有效恢复整体准确率，5 dB SNR下自定义CNN准确率提升56.5%，但恶性召回率可能反向下降（Inception V3从0.35降至0.21）。这表明准确率提升不等同于临床安全性改善，需结合类别特异性指标评估。不同噪声类型的恢复效果存在差异：泊松噪声下Inception V3的召回率在15 dB与5 dB SNR时持续降低，仅25 dB时略有改善；散斑噪声下召回率对SNR变化更为敏感，需针对噪声类型与强度进行阈值校准。
类别特异性鲁棒性分析进一步揭示，正常类召回率在多数噪声条件下保持稳定（>0.70），而恶性召回率波动最为剧烈。混淆矩阵差异热力图直观展示了噪声诱导的错误模式转移：高噪声下Inception V3主要表现为恶性→良性错分增加（+0.39），自定义CNN则呈现良性→恶性错分上升（+0.52），二者分别对应漏诊与过度诊疗的临床风险。
混合噪声实验表明，真实场景下的复合退化会加剧模型性能分化：5 dB SNR时Inception V3准确率（0.64±0.06）高于自定义CNN（0.52±0.10），但恶性召回率（0.40±0.30）显著低于后者（0.64±0.28），且自定义CNN的恶性精确率从0.51±0.06降至0.34±0.03，提示混合噪声下的召回率提升可能源于假阳性增加而非判别能力增强。
讨论部分指出，本研究首次系统评估了多类型噪声对乳腺超声分类模型的影响，发现散斑噪声对分类准确率的影响小于高斯与泊松噪声，但该结论具有模型、数据集及任务依赖性，不可推广为散斑噪声不重要。噪声匹配训练虽能提升整体精度，却可能导致恶性召回率下降，凸显了以类别特异性指标为核心的评估必要性。研究局限性包括合成噪声无法完全模拟真实采集伪影、单数据集验证及病灶掩码输入的临床适用性限制。未来需开展多中心外部验证，并探索类别加权损失函数等召回率保留策略。
结论部分强调，研究人员提出的框架为乳腺超声分类模型的噪声鲁棒性基准测试提供了可复现的方法论，证实模型噪声性能与干净图像精度存在显著差异，且高度依赖噪声类型、架构及类别。Inception V3凭借迁移学习与多尺度特征提取优势，在干净图像及低噪声条件下表现更优，但两类模型在高噪声下均面临恶性召回率下降的风险。散斑噪声在本数据集中对准确率影响较小，但仍会损害类别可靠性。该研究为开发鲁棒性强、召回率保留的医疗AI系统奠定了基础，但需经前瞻性临床验证后方可转化应用。
