基于数字乳腺断层合成（DBT）的 2.5D 深度学习模型预测乳腺癌的价值与突破

《Discover Oncology》：The value of predicting breast cancer with a DBT 2.5D deep learning model

为解决乳腺癌早期诊断难题，研究人员开展基于 DBT 的 2.5D 深度学习模型预测乳腺癌的研究。通过分析 361 例患者数据构建多种模型，结果显示综合模型表现优异。该研究为乳腺癌早期诊断提供新途径，助力精准医疗。

　　在现代社会，乳腺癌如同隐匿在女性健康道路上的 “幽灵”，其发病率正逐年攀升，已然成为威胁女性生命健康的重要杀手。早期诊断对于乳腺癌患者而言，犹如抓住了生存的 “救命稻草”，是提高生存率的关键所在。然而，现有的诊断手段却面临诸多挑战。传统的 2D 乳腺摄影（mammography）在检测乳腺病变时，常常因为无法提供足够详细的组织信息而 “力不从心”，一些微小的病变极易被遗漏。而数字乳腺断层合成（Digital Breast Tomosynthesis，DBT）技术虽能提供更多乳腺组织细节，但由于乳腺癌的复杂性以及成像数据的高度异质性，对 DBT 图像进行有效分析困难重重。

在这样的困境下，山东第一医科大学附属山东省立医院等机构的研究人员决心 “披荆斩棘”，开展了一项极具意义的研究。他们致力于评估基于 DBT 的 2.5 维（2.5D）深度学习（Deep Learning，DL）模型在预测乳腺癌方面的准确性和有效性，期望为乳腺癌早期诊断开辟新的道路。最终，该研究成果发表在《Discover Oncology》上。

研究人员为开展此项研究，采用了一系列关键技术方法。首先，他们收集了 2018 - 2020 年在山东第一医科大学附属山东省立医院接受治疗的 361 例乳腺肿瘤患者的数据作为样本队列。接着，利用西门子 Mammomat Inspiration 数字乳腺摄影系统获取 DBT 图像，并进行规范化的图像预处理操作，如归一化、降噪等。然后，运用深度卷积神经网络（Deep Convolutional Neural Networks，DCNN）从 DBT 图像中自动提取关键特征，通过降维和特征融合选择，构建了多种基于 2.5D 特征集的机器学习预测模型，还结合临床数据开发了综合预测模型。最后，使用受试者工作特征（Receiver Operating Characteristic，ROC）曲线、曲线下面积（Area Under the Curve，AUC）值和准确率等指标来评估模型性能。

下面来看具体的研究结果：

• 一般数据：通过对患者年龄、肿瘤大小、触诊情况、肿瘤位置、腺体密度和钙化等信息进行分析，发现年龄增长与乳腺癌风险增加相关，触诊时孤立、坚硬的肿块有助于区分肿瘤类型，而肿瘤位置和腺体密度在区分肿瘤类型上无显著差异，钙化的诊断价值有限。通过单因素和多因素逻辑回归分析，进一步确定年龄、钙化以及触诊特征是乳腺癌的重要预测因素。
• 预测模型建立与分析：利用 ResNet 深度学习模型从图像中提取特征，经过一系列筛选确定了 14 个关键预测特征，并基于此构建了 8 种不同机器学习算法的预测模型。在测试集中，基于 DBT 2.5D 深度学习的逻辑回归、LightGBM、多层感知器模型分别取得了 72.2%、75.0%、79.2% 的准确率，0.826、0.756、0.859 的 AUC 值等。此外，研究人员还开发了临床和综合预测模型，其中综合模型在测试集中表现最佳，准确率达到 80.6%，AUC 值为 0.871 等。

在研究结论和讨论部分，该研究成果意义重大。基于 DBT 的 2.5D 深度学习模型在乳腺癌术前预测中表现出色，尤其是在不同乳腺密度的情况下都能保持较高的准确性和鲁棒性，这对于识别看似良性的癌症具有重要意义，有助于实现早期诊断和治疗。该模型通过整合相邻切片信息，在特征提取方面比传统 2D 模型更具优势，同时避免了 3D 模型的高计算成本，在计算效率和检测准确性之间达到了良好的平衡。将临床数据与成像数据相结合，进一步提高了诊断准确性，为精准治疗策略的制定提供了有力支持。不过，研究也存在一定局限性，如样本量在某些亚组中可能不足，影响模型的泛化性；图像预处理和分割技术对图像质量和专业知识要求较高等。未来的研究可以朝着扩大样本规模、优化模型结构和算法、改进图像预处理和分割技术等方向展开，从而进一步提升基于人工智能的乳腺癌诊断模型的能力和临床适用性，为乳腺癌患者带来更多的希望和曙光。