用于乳腺肿瘤分类的光声信号分析：一项初步研究

《Scientific Reports》：Photoacoustic signal analysis for breast tumor classification: a pilot study

　　

摘要

对乳腺组织进行准确表征仍然是鉴别诊断和改善临床决策所必需的。本先导研究探讨了光声（PA）信号分析与机器学习相结合是否能够区分关键的乳腺组织病理类型。研究从27个离体乳腺组织标本中获取了光声信号，其中包括癌（n = 7）、叶状肿瘤（n = 10）和纤维腺瘤（n = 10）。所有光声信号均经过标准化的预处理流程，包括基线校正、感兴趣区域选择、去趋势、背景减除和幅度归一化，以增强组织特异性信息。本研究训练并调优了多种监督学习模型，包括随机森林、梯度提升、额外树、支持向量机（SVM）和逻辑回归，采用分层交叉验证和合成少数类过采样技术（SMOTE）进行训练与调优，并在独立测试集上使用准确率、宏平均精确率、召回率、F1分数、混淆矩阵以及带有95%自助法置信区间的ROC分析进行评估。在所评估的分类器中，随机森林表现出最高的测试准确率（0.833，95% CI 0.700–0.967）和宏F1分数（0.833）。然而，置信区间范围较宽且相互重叠，不足以支持关于分类器优劣的明确结论。这些发现提供了初步证据，支持光声小波特征用于多类乳腺组织识别的可行性，并促使开展更大规模、样本量充足的进一步研究，以评估该方法的稳健性和普适性。