编辑推荐：
为解决传统乳腺癌诊断方法的弊端，研究人员开展了基于热成像图像的深度学习诊断研究。他们采用混合启发式优化的 StackVRDNet 框架，结果显示模型准确率达 97.05%，该研究为乳腺癌诊断提供了新途径。
在现代医学领域，乳腺癌是女性健康的重大威胁。全球每年都有大量女性被诊断出患有乳腺癌，其高死亡率让早期准确诊断成为关键。目前常用的乳腺癌诊断方法，如乳腺钼靶检查（Mammography），虽被推荐用于诊断，但存在明显缺陷。一方面，它价格昂贵；另一方面，检查过程中会使人体暴露于放射性物质中，对健康存在潜在风险。而热成像（Thermography）技术作为一种新兴的诊断手段，以其非侵入性、成本低等优势逐渐受到关注。它利用癌细胞代谢率高、产热多的特点，能在早期发现肿瘤迹象。不过，传统热成像诊断依赖人工解读，受技术熟练度和经验影响大，容易出现误诊。为了攻克这些难题，来自中东大学、阿尔巴卡应用大学等多个机构的研究人员开展了一项创新研究，相关成果发表在《Scientific Reports》上。
研究人员主要运用了以下关键技术方法：首先，从公开数据集获取热成像图像作为研究样本。接着，通过对比度受限自适应直方图均衡化（CLAHE）和直方图均衡化等方法对图像进行预处理，提升图像质量。然后，利用新开发的 Rock Hyraxes Dandelion 算法优化（RHDAO）进行最优二进制阈值分割，精准划分图像中的异常区域。最后，构建 StackVRDNet 深度学习结构，结合 VGG16、Resnet 和 DenseNet 等模型提取特征并分类诊断。
实验设置
研究人员在 Python 平台上利用 PyCharm 社区版 2023.3.7 运行乳腺癌分类模型，并采用多种评估指标来衡量模型性能。同时，选取了多种现有算法和传统模型进行对比实验，设定该算法最大迭代次数为 25 次。
解决数据不平衡问题
数据不平衡会导致模型对少数类学习不足，影响准确性和泛化能力。研究人员通过选择合适的评估指标，运用深度学习模型有效处理了训练和测试过程中的数据不平衡问题，提升了模型在实际场景中的决策性能。
成像结果与模型可解释性
对比处理前后的图像，能明显看到新检测方法的效果。利用梯度加权类激活映射（Grad - CAM）技术，可突出图像重要区域，为诊断提供更直观的依据，增强了模型的可解释性和临床决策的准确性。
性能分析
与其他算法相比，该研究提出的 RHDAO - StackVDRNet 模型在多项性能指标上表现优异。在 F1 评分方面，优于其他对比算法；在精度上，比支持向量机（SVM）高 37% 、比卷积神经网络（CNN）高 41% 、比深度卷积神经网络（DCN）高 39% 、比 StackVDRNet 高 41% 。在受试者工作特征曲线（ROC）分析中，该模型的真阳性率也高于其他对比算法。
阈值分割技术性能分析
对比最优二进制阈值分割与传统阈值分割技术（如 Otsu 阈值分割和自适应阈值分割），发现基于 RHDAO 优化的算法在分割准确性、处理不均匀光照和噪声方面表现更优，能有效提升医学图像分割性能。
预处理技术对比分析
对 CLAHE 和直方图均衡化等预处理技术的比较显示，两者结合可使模型准确率达到 94.90%，有效去除热成像图像中的背景和噪声，为后续诊断提供更可靠的图像。
模型消融研究
通过消融研究，验证了模型各部分的重要性。结果表明，RHDAO - StackVDRNet 模型在诊断乳腺癌时准确率可达 97.06%，优化参数能有效提升模型稳定性和性能。
受试者工作特征曲线下面积（AUC - ROC）分析
AUC - ROC 分析显示，该模型能有效解决类别不平衡问题，在不同阈值下的精确率 - 召回率分析中表现出色，进一步证明了模型的有效性。
与现有模型对比分析
与其他使用热成像图像的诊断模型相比，RHDAO - StackVDRNet 模型在准确率等指标上优势明显，达到 92.27%，能为临床决策提供更可靠的依据，有助于早期治疗。
Kappa 和良好检测率（GDR）分析
Kappa 和 GDR 分析表明，该模型在评估分类可靠性和检测阳性病例方面表现良好，确保了模型在乳腺癌诊断中的准确性和有效性。
训练和推理时间基准分析
基准分析显示，该模型在训练时间、推理时间、GPU 利用率和内存使用方面表现良好，能快速准确地诊断乳腺癌，提升临床诊断效率。
研究人员开发的基于热成像图像的深度学习诊断模型，通过一系列创新技术，在乳腺癌诊断上展现出高准确率和良好性能。这一研究成果为乳腺癌早期诊断提供了更高效、准确的方法，有望在临床实践中广泛应用，帮助医生更早发现和治疗乳腺癌，拯救更多患者生命。不过，研究也存在一些局限性，如数据增强和与移动技术结合方面有待进一步探索，未来研究可针对这些方向展开，进一步完善乳腺癌诊断技术。
