《Scientific Reports》：Breast cancer detection and classification via a robust deep learning approach
编辑推荐：
本研究提出了一种基于泄漏控制的深度学习框架，用于乳腺癌分类，使用的数据集是CBIS-DDSM（数字化乳腺摄影图像数据库，Curated Breast Imaging Subset of DDSM）乳腺摄影档案。所提出的流程结合了（1）在数据增强之前进行患者级数
本研究提出了一种基于泄漏控制的深度学习框架，用于乳腺癌分类，使用的数据集是CBIS-DDSM（数字化乳腺摄影图像数据库，Curated Breast Imaging Subset of DDSM）乳腺摄影档案。所提出的流程结合了（1）在数据增强之前进行患者级数据划分；（2）基于ResNet50（残差网络50层）的两阶段迁移学习策略；以及（3）用于自适应融合配对的头尾位（CC）和内外斜位（MLO）特征图的视图间注意力融合模块（IVAF，Inter-View Attention Fusion）。IVAF被建模为一个轻量级的卷积门控策略，添加在ResNet50最后一个卷积层之后，以从配对乳腺摄影图像中生成加权空间-通道表示。在CBIS-DDSM保留测试协议下，模型在222名不同患者的6,117张图像上测试，整体准确率为97.12%，灵敏度为96.44%，特异度为97.68%，AUC-ROC（受试者工作特征曲线下面积）为0.9876。使用100个随机种子获得的平均准确率为97.11% ± 0.18%。
以下是对该论文的解读文章，基于原文内容进行浓缩总结，不添加推测。
**研究背景与问题**
乳腺癌是女性中诊断最常见的癌症，2022年全球新增约230万例，占所有女性癌症的近四分之一。预后与疾病分期密切相关，局部阶段五年生存率极高，但转移性乳腺癌则显著恶化。乳腺摄影筛查是检测乳腺癌的关键手段，但解读乳腺摄影图像需要大量时间和专业知识，尤其在发展中国家，放射科医生短缺问题突出。卷积神经网络（CNN）在受控环境下通过从原始像素强度学习图像表示，在乳腺摄影任务中表现出色。CBIS-DDSM数据集是广泛使用的数字化胶片乳腺摄影数据集，包含病变注释和病理标签。然而，现有研究在数据集划分、增强顺序、预处理和评估程序上的描述差异导致可重复性不足。乳腺摄影数据集可能包含同一患者的多张图像（不同视角、侧位和病变注释），因此患者级划分（即在增强前将同一患者的所有图像分配到同一子集）是减少训练、验证和测试集之间患者重叠的关键方法。临床实践中，乳腺摄影筛查通常联合解读CC和MLO图像，因为互补投影有助于诊断信息。一些研究探索了多视图深度学习，但融合方法在模型复杂度、输入数据和评估程序上差异较大。本研究旨在通过开发一种紧凑的CC-MLO注意力门控融合方法，并在患者级CBIS-DDSM协议下进行透明评估，以解决上述问题。
**研究内容与结论**
研究人员提出了一种基于ResNet50和IVAF模块的乳腺癌分类框架。该框架在CBIS-DDSM数据集上，采用患者级划分、两阶段迁移学习、组件级消融分析和重复种子分析，评估模型性能。主要结论包括：在保留测试集（6,117张图像，222名患者）上，模型达到97.12%准确率、96.44%灵敏度、97.68%特异度和0.9876 AUC-ROC；组件消融实验表明，选择性微调、类别平衡损失加权、增强后划分和IVAF模块均对最终性能有贡献；多种子稳定性分析显示平均准确率为97.11% ± 0.18%。该研究的重要意义在于提出了轻量级IVAF模块用于自适应融合CC和MLO特征图，并强调了患者级划分对可重复性的重要性。论文发表在《Scientific Reports》。
**主要关键技术方法**（不超过250字）
研究人员采用的关键技术方法包括：（1）患者级数据划分：在数据增强前，将1,109名患者按病理类别分层，分配到不重叠的训练集（665名患者）、验证集（222名患者）和测试集（222名患者），仅对训练集进行增强；（2）基于ResNet50的两阶段迁移学习：第一阶段冻结骨干网络，仅训练分类头；第二阶段解冻最后两个残差块，以较低学习率微调；（3）视图间注意力融合模块（IVAF）：在ResNet50最后一个卷积层后，通过轻量级卷积门控网络生成空间-通道注意力图，对CC和MLO特征图进行自适应加权融合，替代简单拼接；（4）类别不平衡缓解：采用类别平衡交叉熵损失函数；（5）训练回调：使用EarlyStopping和ReduceLROnPlateau进行正则化。样本队列来源为CBIS-DDSM数据集。
**研究结果**
（保留每个小标题，简要说明研究结论）
**Test-set classification performance**: 在保留测试集上，完整ResNet50+IVAF模型达到97.12%准确率、96.44%灵敏度、97.68%特异度和0.9876 AUC-ROC，测试集包含222名未见过患者的6,117张图像，无患者级重叠。
**Ablation study and component-wise contribution analysis**: 通过逐步添加组件进行消融实验，基线（冻结ResNet50）准确率为93.42%；选择性微调提升1.86个百分点；类别平衡损失加权改善灵敏度和特异度；增强后划分进一步提升性能；IVAF模块带来额外提升，McNemar检验显示显著（χ2=8.91, p=0.003），但被解释为在该CBIS-DDSM设置下的适度改进。
**Training dynamics and convergence analysis**: 训练动态显示稳定收敛，训练和验证损失无发散；使用100个不同随机种子重复训练，平均准确率97.11%±0.18%，灵敏度96.43%±0.29%，特异度97.66%±0.27%，AUC-ROC 0.9874±0.0012，表明性能稳定。
**Comparison with reimplemented CNN architectures**: 在受控环境下复现七种架构进行比较，ResNet50+IVAF在准确率和AUC-ROC上优于其他复现模型，比较结果被视为内部基准。
**Confusion matrix and ROC curve analysis**: 混淆矩阵显示3,288张良性正确分类、2,653张恶性正确分类、78张假阳性、98张假阴性，对应准确率97.12%、灵敏度96.44%、特异度97.68%；ROC曲线AUC-ROC为0.9876。
**Grad-CAM visual explainability analysis**: 对代表性测试案例应用Grad-CAM（梯度加权类激活映射），基线模型产生较宽激活区域，IVAF模型在CC和MLO视图上均产生更集中在病变区域的激活模式，但强调这些可视化是定性证据，需放射科医生评估才能确认临床意义。
**Implications of patient-level partitioning**: 患者级划分旨在提高透明度和可重复性，确保训练、验证和测试集之间无患者级重叠，结果应解释为在泄漏控制协议下的性能，而非与所有已发表方法的通用比较。
**Limitations and future research directions**: 局限性包括仅使用CBIS-DDSM数据集，结果可能不适用于其他厂商、成像协议或人群；Grad-CAM不保证临床可解释性；测试集规模有限。未来需要在独立数据集（如INbreast或VinDr-Mammo）上进行外部验证。
**结论部分翻译**：本研究提出了一种基于ResNet50的乳腺癌分类框架，并集成了视图间注意力融合模块，用于自适应融合配对CC和MLO乳腺摄影特征图。该框架在CBIS-DDSM上进行了评估，采用了增强前患者级划分、两阶段迁移学习策略、组件级消融、重复种子稳定性分析和基于Grad-CAM的定性可视化。在评估的CBIS-DDSM设置下，模型在保留测试集上达到97.12%准确率、96.44%灵敏度、97.68%特异度和0.9876 AUC-ROC。消融结果表明，选择性微调、类别平衡损失加权、增强后划分和IVAF均对最终性能有贡献。然而，由于当前评估仅限于单一公开数据集，这些发现应被解释为有前景的数据集特异性证据，而非广泛临床泛化性的确凿证明。在考虑更广泛的临床适用性之前，仍需在独立乳腺摄影数据集上进行外部验证并接受放射科专家评估。
