基于Xception与EfficientNet-B5融合模型的乳腺钼靶影像分析：乳腺癌检测新范式

本研究针对乳腺癌早期诊断的临床需求，创新性地将Xception和EfficientNet-B5 CNN模型与自编码器特征融合技术相结合，开发出分类准确率达96.88%的智能诊断系统。通过定制多头注意力机制实现肿瘤分割（Dice系数0.4353），在MIAS和CBIS-DDSM数据集验证中展现出优越性能，为临床决策提供可靠AI支持。

　　

乳腺癌是全球女性健康的首要威胁，每年新增病例超230万例。尽管现有影像学技术（如钼靶、超声、MRI）已显著提升早期检出率，但传统计算机辅助诊断(CAD)系统仍面临敏感度不足（80%-90%）、假阳性率高、模型泛化性差等瓶颈问题。特别是在处理复杂乳腺组织背景下的微小病灶时，现有算法往往难以平衡检测精度与运算效率。

为突破这些技术壁垒，来自中国的研究团队在《Innovative Practice in Breast Health》发表创新研究，通过融合两种前沿卷积神经网络(CNN)架构与注意力机制，构建了兼具高精度与鲁棒性的智能诊断系统。研究团队首先收集了3,836例来自MIAS数据集的乳腺钼靶影像（1,440例恶性/2,396例良性），采用自适应直方图均衡化(AHE)和高斯滤波进行预处理。关键技术包括：1）基于自编码器的特征增强技术；2）Xception与EfficientNet-B5的模型融合策略；3）定制多头注意力机制的U-Net分割网络；4）采用Dice系数和交并比(IoU)等指标进行性能验证。

【分类性能】
通过系统评估5种CNN模型，研究发现融合模型在测试集达到98.99%准确率（95%CI[98.37%,99.63%]），显著优于单一模型（Xception 96.88%，EfficientNet-B5 99.48%）。特别值得注意的是，该模型对恶性病灶的敏感度达99.33%，特异性97.24%，AUC值0.9902，证明其可有效降低漏诊风险。

【分割效果】
在CBIS-DDSM数据集上，集成多头注意力的分割模型取得Dice系数0.4917和IoU 0.3512。虽然数值未达最优，但可视化结果显示模型能准确定位肿瘤核心区域，对边缘不规则病灶的识别优于传统方法。研究同时发现，当训练样本量增至20例时，分割性能出现显著提升（p<0.05）。

【创新价值】
这项研究的多维度贡献体现在：1）首次实现Xception的深度可分离卷积与EfficientNet-B5的复合缩放优势互补；2）开发的自编码器-注意力混合架构可同时处理分类与分割任务；3）验证了多头注意力机制在医学影像分析中的迁移可行性。临床转化方面，该系统有望将放射科医生的诊断效率提升40%，特别适用于基层医疗机构的乳腺癌筛查。

讨论部分指出，当前模型的局限性主要源于小样本量（分割训练仅14例）和乳腺组织异质性。未来研究将探索动态特征加权算法，并整合临床病理参数构建多模态诊断系统。该成果不仅为AI辅助诊断树立了新基准，其模块化设计思路更为其他医学影像分析任务提供了可复用的技术框架。