基于放射组学与注意力机制3D自编码器的乳腺肿瘤诊断可重复性框架研究

本研究针对乳腺钼靶成像中特征可重复性和跨扫描仪变异性的关键问题，开发了整合放射组学(Radiomics)与注意力机制3D自编码器的诊断框架。通过ComBat标准化和ICC>0.85的特征筛选确保稳定性，采用XGBoost、Stacking等算法实现94.29%准确率和95.75%AUC，为临床提供可解释的AI辅助诊断方案。

　　

乳腺钼靶筛查是早期发现乳腺癌的重要手段，但传统二维成像存在组织重叠导致的假阳性问题。三维数字乳腺断层摄影(3D DBT)虽能提高病灶检出率，却面临数据维度爆炸、扫描仪差异大、特征稳定性差等挑战。如何建立既保持高精度又具备临床可解释性的诊断框架，成为当前研究的瓶颈问题。

黑龙江中医药大学药学院的研究团队在《Journal of Radiation Research and Applied Sciences》发表研究，提出融合放射组学特征与注意力机制3D自编码器深度特征的创新框架。该研究通过6672例多中心DBT数据验证，最终实现94.74%的敏感性和95.75%AUC，显著超越现有方法。这项突破为临床提供了兼具可重复性和可解释性的智能诊断工具，为精准医疗实践树立新标准。

研究采用三大关键技术：1) 基于ComBat的多中心数据标准化处理；2) 注意力3D自编码器架构(含空间注意力模块和128维潜在特征)；3) 集成PCA/RFE/LASSO特征选择与Stacking算法。所有分析均通过5折交叉验证和独立外部验证(489例)确保可靠性。

【材料与方法】

多中心数据集包含6672例分为正常/良性/恶性三组，采用Hologic等5种扫描仪获取图像。通过手动ROI分割提取215个IBSI标准放射组学特征，同时开发含空间注意力块的3D自编码器(输入256×256×64)提取深度特征。特征经ICC>0.85筛选后，采用ComBat消除扫描仪差异。

【结果】

特征分析显示仅37.2%放射组学特征满足ICC标准，而注意力自编码器的深度特征达44.5%可重复性。最优Stacking+RFE模型测试性能达94.29%准确率，较非注意力模型提升8.58%。SHAP分析证实纹理特征与空间嵌入特征的互补性，注意力热图可视化显示模型聚焦于病灶边缘等关键区域。

【讨论】

该框架通过三大创新解决临床痛点：1) ICC分析确保特征稳定性；2) 注意力机制提升病灶区域权重；3) 放射组学-深度学习特征协同优化。虽然存在小病灶(<1cm)识别局限，但外部验证证实其跨中心适用性。研究为AI辅助诊断系统开发提供了方法论范式，未来可通过多模态融合进一步突破性能瓶颈。