编辑推荐：
乳腺癌（BC）严重威胁女性健康，其分子亚型对治疗和预后意义重大。研究人员利用跨窗 Transformer（CW Transformer）基于数字乳腺断层合成（DBT）图像进行 BC 分子亚型分类研究。结果显示该方法分类性能显著提升，有助于 BC 早期精准治疗。
在女性健康的战场上，乳腺癌犹如一颗 “定时炸弹”，时刻威胁着无数女性的生命安全。乳腺癌并非单一的疾病类型，它有着不同的分子亚型，像管腔 A 型（luminal A）、管腔 B 型（luminal B）、人表皮生长因子受体 2 富集型（HER2-enriched）以及三阴性（TN）。这些分子亚型在疾病表现、治疗反应、预后情况和生存结局等方面都有着天壤之别 。比如，不同分子亚型的乳腺癌患者，对同一种治疗药物可能会有完全不同的反应，有的患者疗效显著，病情得到有效控制；而有的患者却可能毫无效果，病情持续恶化。这就使得术前准确判断乳腺癌的分子亚型变得至关重要，它是制定精准治疗方案的关键前提。
以往，研究人员主要借助卷积神经网络（CNNs）来预测乳腺癌分子亚型。然而，随着研究的深入，问题逐渐暴露出来。视觉 Transformer（ViT）在图像分类任务上虽取得了不错的成绩，但面对高分辨率图像时，其自注意力机制的计算复杂度与图像大小呈二次方关系，这就导致在处理高分辨率的乳腺癌图像时，计算量巨大，难以高效运行。为了解决这些难题，来自国内的研究人员挺身而出，开展了一项极具意义的研究。他们提出了跨窗 Transformer（CW Transformer），并将其应用于基于数字乳腺断层合成（DBT）图像的乳腺癌分子亚型分类研究中。最终，研究取得了令人瞩目的成果，为乳腺癌的早期诊断和精准治疗带来了新的希望。该研究成果发表在《Biomedical Signal Processing and Control》上。
研究人员在开展这项研究时，运用了多个关键技术方法。首先，他们收集了 107 例经病理确诊为乳腺癌患者的 DBT 图像，并从中选取 4000 张 2D 图像作为研究样本。其次，提出了 CW Transformer 模型，该模型通过交叉窗多头自注意力（CW-MSA）机制，在不同大小感受野（RFs）的窗口中学习局部和全局信息；同时引入基于空间和通道的分组可分离卷积（GSC-SC）模块，以更好地提取特征。此外，研究采用 7:1:2 的比例将数据划分为训练集、验证集和测试集，并利用 Python 和 Pytorch 深度学习库，在 NVIDIA RTX 4090 GPU 上进行模型训练和评估。
研究结果
- 模型分类性能评估：研究人员使用测试数据集和 3 折交叉验证对 CW Transformer 进行评估。在 3 折交叉验证中，将所有图像均匀分为 3 个子集，每次取 2 个子集训练，剩余 1 个子集测试，重复 3 次直至所有图像都被测试。结果显示，与骨干网络（Single-path）相比，CW Transformer 的分类性能显著提升，其受试者工作特征曲线下面积（AUC）达到 0.829，准确率（ACC）为 0.775，灵敏度（SEN）为 0.914，特异性（SPE）为 0.636。这表明 CW Transformer 在乳腺癌分子亚型分类上具有较高的准确性和可靠性。
- 模型优势分析：CW Transformer 的核心优势在于其 CW-MSA 模块。基于不同 RFs 的窗口设计，使得网络能够更高效地学习局部和全局信息。窗口的引入降低了自注意力的计算复杂度，同时通过捕获跨窗连接，有效解决了小感受野窗口边缘的边界效应问题。而 GSC-SC 模块则根据空间和通道分组，进一步提取了更多有用的特征图像，从而提升了模型的分类性能。
研究结论与讨论
本研究成功提出了基于 DBT 图像的 CW Transformer 用于乳腺癌分子亚型分类。该模型能够从不同大小 RFs 的窗口中学习局部和全局信息，小 RFs 窗口捕获局部信息，大 RFs 窗口捕获跨窗（全局）信息，GSC-SC 模块进一步增强了分类性能。这一研究成果为乳腺癌的早期分子亚型分类提供了一种新的、有效的方法，有助于医生更准确地判断病情，制定个性化的治疗方案，从而提高乳腺癌患者的治疗效果和生存率。然而，研究也存在一定的局限性，例如数据集中样本数量相对有限，可能会影响模型的泛化能力。未来的研究可以进一步扩大样本量，探索更多优化模型的方法，以推动乳腺癌诊断和治疗技术的不断进步。总之，这项研究为乳腺癌领域的研究开辟了新的方向，具有重要的临床应用价值和科研意义。
