一种可解释的基于人工智能的乳腺癌预测迁移学习方法

摘要

开发了一种使用EfficientNet-B0和Grad-CAM的可解释迁移学习协议，用于将乳腺超声图像分为良性、恶性和正常类别，提供适用于临床决策支持应用的可解读诊断热图。

摘要

通过超声图像识别乳腺癌需要高度的准确性和透明度，以帮助临床医生做出适当决策。本研究展示了一种深度学习系统，利用EfficientNet-B0架构在乳腺超声识别（BUSI）数据集上微调，将乳腺超声图像分类为良性、恶性和正常图像。为了减少类别不平衡并稳定网络，采用了数据增强，包括随机水平翻转、旋转和色彩抖动。梯度加权类别激活映射（Grad-CAM）被用来通过识别肿瘤边缘和纹理图案等关注区域来生成视觉解释。该模型平均准确率达99%，显示出病灶检测的高效能。可解释人工智能（XAI）的整合不仅提升了诊断信心，也弥合了临床实践与人工智能之间的鸿沟。结果证明了将高性能深度学习模型与可解释性方法结合，开发适合实际临床实践的可靠乳腺癌诊断工具的潜力。

引言

乳腺癌是全球女性面临的最重大生命威胁疾病之一。根据世界卫生组织（WHO）的数据，乳腺癌占大多数癌症相关死亡，早期诊断对于提高^{生存率至关重要}。超声成像已成为乳腺癌的常规诊断程序，因为它安全、成本低廉，并且能够产生实时影像。与乳腺X光相比，超声在区分含液体的固体肿块和增生方面非常有效，因此在乳腺病理存在时是极佳的诊断辅助。超声图像解读高度主观，依赖高水平专业知识，导致诊断不一致和可能的人为错误。

近年来，人工智能和深度学习在医疗图像分析自动化方面展现了巨大能力。基于深度学习的模型，尤其是CNN，在物体分割、检测和分类方面表现出色².然而，人工智能在医疗领域的应用受到这些模型“黑匣子”特性的限制。“黑匣子”一词指的是模型如何得出特定结论时缺乏透明度;虽然输入和输出是已知的，但用于临床预测的内部逻辑和具体功能对用户保持隐藏。

这项工作的动机源于迫切需要可靠的仪器来支持乳腺癌的早期诊断，而乳腺癌仍是全球女性死亡的主要原因之一。 尽管深度学习模型非常有效，但其缺乏可解释性限制了对临床环境的整合。³.本研究通过采用EfficientNet-B0进行高性能分类，并整合可解释人工智能（XAI）技术，如Grad-CAM，为模型决策过程提供可视化洞察，解决了这些空白。通过平衡透明度与准确性，本研究旨在开发一套可信赖的人工智能系统，为临床医生提供可靠的诊断支持。XAI方法揭示了模型预测的背后推理，使临床医生能够验证结果，弥合临床实践与^{自动化系统之间的}差距4.在乳腺超声分类中，这种可解释性确保了基于人工智能的诊断既准确又具有临床依据。

尽管深度学习取得了进步，乳腺超声图像分类仍存在挑战，包括阶级不平衡，恶性肿瘤等少数群体代表性不足，^{导致模型存在}偏见5。深度学习模型缺乏可解释性，使其难以在临床实践中应用，因为临床医生需要透明的决策。数据集的限制，如有限的大小和多样性限制了模型的泛化性，而超声图像中复杂的图像特征如肿瘤边界和纹理也难以学习⁶.上述问题的解决方案需要一个稳健且可解释的框架，以确保高准确性并清晰洞察模型预测⁷.

该研究旨在开发一个深度学习框架，能够将乳腺超声图像分为良性、恶性和正常类别，同时通过针对少数群体的有针对性增强提升泛化能力。该框架集成了梯度加权类别激活映射，提供预测的可视化解释，并利用准确性、精度、回忆性和F1评分评估性能，展示了其作为可解释临床决策支持系统的适用性。与早期基于超声的乳腺癌研究中Grad-CAM多作为事后可视化使用^不同，该框架结合了病灶意识的预处理和课程意识学习，在培训阶段进行。乳腺超声图像（BUSI）数据集的真实遮罩叠加在超声图像上，以突出病灶边界和内部回声模式，提取特征时;少数诊断组则采用选择性增强，以减少类别不平衡，同时不改变临床显著的^{外观特征9}.这种结合的病灶驱动病灶增强、EfficientNet-B0迁移学习和Grad-CAM可解释性，提升了诊断的稳健性，并得出与病灶形态学一致的解释，支持了解剖学引导病灶增强和可解释性能够使AI辅助乳腺癌诊断可靠且值得信赖的假设^。

传统医学影像依赖传统的图像处理方法，结合滤波、分割和形态操作来识别可见结构以进行诊断。然而，这些过程通常需要人工调优，难以适应医学图像固有的变异性和复杂性。例如，乳腺超声解读历来依赖放射科医生的主观专业知识，恶性和良性病变的识别依赖于容易出现人为错误或误解的视觉表现。

深度学习的出现催生了医学影像领域的一场变革性革命，主要通过卷积神经网络（CNN）的部署推动了¹²。其中，EfficientNet-B0 代表了一项重要创新，采用一种复合缩放方法，平衡网络深度、宽度和分辨率，实现高效且准确的计算。在乳腺超声成像的背景下，该模型利用顺序卷积层自动学习层级特征，有效消除了主观手动特征提取的需求，同时显著提升了诊断准确性和可靠性¹³。尽管潜力巨大，医学影像领域的深度学习仍是一个不断发展、面临挑战的领域。数据的质量和可用性至关重要，因为深度学习模型需要大量注释图像库以确保成功的泛化。此外，这些模型的“黑匣子”特性对临床接受度构成了重大障碍;关于训练数据潜在偏差的伦理担忧也可能导致诊断预测的偏差或歧视性¹⁴。因此，本研究需要严格的测试和验证流程，以确保模型保持客观和临床可靠。为解决这些局限性，深度学习的当前发展重点在于提升模型的可解释性和鲁棒性。本研究应用的梯度加权类别激活映射（Grad-CAM）等技术，使得对影响模型结果的特定图像区域进行了可视化，从而促进对模型行为的更深入理解并支持临床决策。此外，联邦学习框架的突破促进了机构间注重隐私的协作，使得使用异构数据而无需共享原始数据集。这些进步正在逐步实现医学影像中更可靠、可解释且公正的深度学习应用，最终提升临床标准和患者护理水平 ¹⁵。

可解释的医疗决策系统的重要性¹⁶ 通过近期可解释人工智能的发展得到了强调。可解释框架：基于融合的可解释框架通过结合多种特征表示和多种解释机制，展现出更好的分类和透明度。¹⁷。最新研究表明，深度学习模型与XAI方法结合使用，在提升乳腺癌诊断及其他医学预测任务的诊断信心方面具有高度潜力。这些文章支持临床医生需要具备高度的预测性和可解释的推理能力，这与本研究创建有效且易懂的超声分类系统的目标一致¹⁸。

表1 展示了文献综述和现有技术。

学习	目标	备注
Humayra Afrin 等（2023）19	回顾深度学习应用，用于乳腺肿块超声诊断和预后。	病灶分类显示出最高的表现，但关于预后的研究较少。
Gelan Ayana 等（2022）20	回顾乳腺癌化疗中的超声引导纳米载体。	超声响应纳米载体改善药物递送，但面临生理障碍。
Valerio Di Paola 等（2022）21	分析乳腺癌中准确N分期的成像技术。	MRI和超声波起着关键作用，但假阳性/假阴性会影响诊断准确性。
Adyasha Sahu 等人（2024）22	提出一个用于乳腺癌检测的集成深度学习分类器。	使用AlexNet、ResNet和MobileNetV2配合LoG和高提升技术实现高精度。
Alireza Rezazadeh 等（2022）23	开发一个可解释的机器学习流程，用于利用超声图像进行乳腺癌诊断。	利用纹理特征和决策树集合来提升预测的可解释性。
Asaf Raza 等（2023）24	开发DeepBreastCancerNet，实现强有力的乳腺癌检测。	采用24层架构并进行多项优化，实现了99.63%的准确率。
Kiran Jabeen 等（2022）25	提出一个基于DarkNet-53和功能融合的深度学习框架。	采用优化特征选择技术实现了99.1%的准确率。
Gelan Ayana 等（2022）26	开发多阶段迁移学习（MSTL）用于超声乳腺癌分类。	利用基于医学图像的迁移学习，结合EfficientNetB2、InceptionV3和ResNet50，提高了准确性。
萨克沙姆·古普塔等（2023）27	使用改良版ResNet50进行乳腺癌超声分类。	准确率达到97.8%，缩短诊断时间并提升早期检测。
Karl Kratkiewicz 等（2022）28	回顾先进的成像方法，如超声断层扫描（UST）和光声断层扫描（PAT）。	UST和PAT通过定量成像增强乳腺癌的检测。

表1：显示现有技术的文献和综述。

该模型基于深度学习在乳腺超声图像分类方面的成就，克服了本研究的主要挑战，包括数据质量、模型的可解释性以及计算效率。与以往手动特征提取技术不同，本研究作者利用了最新的EfficientNet-B0架构，将深度、宽度和分辨率结合为最佳工作方案。该模型使用Grad-CAM来可视化预测的解释，提高了透明度和临床信度。尽管现有解决方案，包括集合模型和迁移学习，已经变得高度准确，但它们难以解释，或可能需要大量计算能力。本研究解决了这些空白，因为它既高度准确（99页）又可解释，确保模型在临床决策的实际层面中可靠且可行。这种聚焦于阶级不平衡和实际应用的方法，是AI驱动乳腺癌诊断的新标准。

论文使用了公开的BUSI，这是一组先前收集的匿名化临床图像。本研究未涉及直接的人体受试者和动物，因此无需机构伦理审批（IRB/IACUC）。所有操作均遵循公开医学影像数据的二次使用标准。

方案

1. 数据集特征

该研究利用了公开可用的乳腺超声图像（BUSI）数据集，该数据集为乳^腺癌的分析和分类提供了详尽的文献库。该数据集尤为适用，因为它包含了大量用于建立和验证医学影像深度学习模型所需的超声图像。该数据集包含来自600名25至75岁女性的780张超声图像，涵盖乳腺癌诊断的多样化人群。所有图像均保持500 x 500像素的平均分辨率，并采用PNG格式以保存高质量的视觉数据以便分析。 图1 展示了所提框架的整体工作流程，包括预处理、增强、EfficientNet-B0特征提取、分类以及Grad-CAM可解释性。

图1：来自BUSI数据集的代表性样本。 （A）良性，（B）恶性，（C）影像正常。面板展示了用于训练的形态多样性。 请点击此处查看该图的放大版本。

2. 实验工作流程

为确保可重复性，调查按顺序阶段执行了处理流程。首先，系统加载了BUSI超声图像和相应的地面真实面罩，并将其缩放为224×224像素，随后进行ImageNet归一化。其次，框架将每张图像及其掩码叠加以突出病灶区域，然后将数据集拆分为训练（70%）、验证（15%）和测试（15%）三个子集，采用分层抽样。第三，研究主要对少数类别应用了包括水平翻转、旋转（±15°）和色彩抖动等针对性增强。第四，研究人员通过将最终分类层替换为三类输出层，微调了EfficientNet-B0模型（该模型在ImageNet上预训练）。训练过程采用了亚当优化器（学习率0.00005）、步进学习率衰减（每7个时代γ=0.1）、交叉熵损失、批次规模为8，以及耐心值为2的早期停止。最后，Grad-CAM从最后卷积层生成注意力热图，以可视化诊断相关区域并支持临床解读。 材料表 列出了重现研究乳腺超声分类与可解释性框架所需的基本数据集、软件库和硬件配置。

BUSI数据集表现出自然的类别失衡，这一特征在医学数据集中很常见。分布偏向良性组，其次是恶性和正常组。具体来说，数据集包含487张良性图像、210张恶性图像和133张正常图像。虽然数据增强增加了训练的变异性，但并未改变每个类别的基本样本计数。这一分布反映了临床现实中良性疾病发生频率高于恶性肿瘤的情况。尽管这种不平衡准确反映了临床环境中乳房异常的普遍性，但它对深度学习培训带来了挑战，可能导致预测偏差和少数族裔班级表现不佳。因此，缓解这种不平衡成为建立一个有效且可推广、在各诊断类别中高效运行的模型的关键。 图2 展示了数据集中的代表性超声图像，展示了良性、恶性和正常乳腺组织样本的例子。

图2：拟议模型工作流程。 从输入和掩码覆盖预处理到EfficientNet-B0训练和Grad-CAM输出的顺序流水线。 请点击此处查看该图的放大版本。

3. 数据预处理

研究将所有图像调整为224 x 224像素，遵循EfficientNet-B0架构的标准输入尺寸。这种调整确保了数据集的一致性并减少了计算需求，正如方程1所定义。

     

该框架利用ImageNet数据集的均值和标准差（平均值为[0.485， 0.456， 0.406]，标准值为[0.229， 0.224， 0.225]）对像素值进行归一化。该归一化对输入数据进行了缩放，以增强训练稳定性和收敛速度，计算方式为公式2。

      

为了提升特征提取和关注区域识别，研究人员将原始图像叠加到相应的真实掩码上。 图3 展示了真实病灶掩膜及由此产生的叠加超声图像，突出肿瘤边界。

图3：口罩及叠加图像。 （A）原始超声，（B）真实面罩，（C）用于空间注意的肿瘤边界标示。 请点击此处查看该图的放大版本。

该叠加层识别了关键区域，如肿瘤边缘和纹理图案，为模型提供了局部空间背景，以提高分类准确性，如方程3所示。

      

该研究在训练数据准备时专门使用掩膜叠加操作，以补充特征学习中的病灶边界知识。相比之下，验证和推断阶段仅使用原始超声图像，未使用掩膜，保持传统的图像分类流程。由于BUSI数据集中的二元分割掩模代表了超声图像中已固有的结构，因此未引入新的类别标签。为防止信息泄露，调查将数据集划分为训练集、验证集和测试集，确保子集间没有重叠的图像或掩码对。因此，叠加图层作为空间注意力指南，突出突出解剖学上重要的区域，同时不影响评估数据的独立性。

4. 数据增强

该研究实施了有针对性的数据增强，以缓解训练集中的阶级不平衡，特别关注恶性和正常少数群体。该框架利用了广泛的变换，人工地提高了训练数据的变异性，并提升了模型在不同成像条件下的泛化能力。

首先，系统以0.9（90%）的概率执行水平翻转，使模型能够识别特征，无论扫描方向如何。该变换遵循方程4：

      

其次，研究在±15°范围内随机旋转，模拟扫描角度和患者位置的变化。这一过程迫使模型学习旋转不变特征，如肿瘤边缘和纹理图案，定义如下方程5：

      

第三，研究人员利用色彩抖动模拟光照、对比度和色彩平衡的变化。该框架将亮度、对比度和饱和度调整了0.2倍，色调调整了0.1倍。这些随机调整提高了模型对外观变化的鲁棒性，计算方法如下：

      

这些特定的超参数范围（水平翻转0.9，旋转+15，-15，亮度/对比度/饱和度0.2，色相0.1）的选择基于经验稳定性评估。研究发现，这些设置优化了多样性生成与解剖真实性之间的平衡，确保了稳定收敛和稳定的验证准确性，同时避免了不切实际的病变。

5. 模型架构

该研究采用了EfficientNet-B0，这是一种现代CNN模型，以其效率、可扩展性和性能相较其他图像分类架构而闻名。该模型采用了按比例缩放网络深度、宽度和分辨率的方法，使得比ResNet和VGG等标准架构参数数量显著减少，实现了高精度。这种缩放方法使该框架能够处理高分辨率图像，同时保持计算效率，满足医学影像的特殊需求。 图4 展示了EfficientNet-B0的架构，突出展示了用于层次特征提取的卷积块和MBConv块的序列。

图4：高效的Net-B0架构。 用于层级特征提取的MBConv块和复合缩放因子的示意图。 请点击此处查看该图的放大版本。

为了修改EfficientNet-B0以适应乳腺超声分类任务，研究人员对模型结构进行了具体调整。系统将最初用于1000类ImageNet数据集的分类层替换为由3个输出神经元组成的全连接（密集）层。研究将预训练的EfficientNet-B0骨干的所有层都设置为可训练层，并与新的分类层共同优化，采用了全面的微调策略。培训过程没有分阶段冻结或渐进解冻。该框架使用Adam优化器进行训练，学习率为0.00005，并使用步进学习率调度器，每7个时代将学习率降低0.1倍。这些神经元对应BUSI数据集中的三个目标类别：良性、正常和恶性。该模型在输出层使用了SoftMax激活，将原始分数转换为概率分布，如方程7所示。 表2 展示了模型架构的描述。

      

层类型	描述
输入层	接受尺寸为224 x 224 x 3的图片
卷积层	包含初始卷积和MBConv模块用于特征提取。
全球平均池化	将空间维度简化为一维特征矢量。
全连通层	将特征向量映射到3个输出神经元（正常、良性、恶性）。
SoftMax 激活	将对数转换为多类分类的概率。

表2：展示模型架构的描述。

用于训练模型的参数包括Adam优化器、初始学习率0.00005和类别交叉熵损失（三类），数学计算方式为9。ImageNet 预训练权重用于初始化 EfficientNet-B0，且已完全训练，所有骨干层均已训练，且未应用分级冻结。最初的分类器被完全连接层和三个输出神经元取代，最后是SoftMax激活，代表良性、恶性和正常类。图像被缩小至224 x 224像素，然后通过ImageNet均值和标准差归一化，并以8个为一组的小批量加载。阶梯学习率调度器每7个时代会降低0.1个学习率。验证损失用于提前停止，耐心等待2个时代，以避免过拟合。基于最后一个卷积层，通过计算梯度、全局平均池以获得通道权重，并将激活映射放大至输入分辨率，生成了Grad-CAM激活。

为确认稳定性，训练进行了多次运行，并匹配验证性能。通过监测训练和验证损失曲线来识别过拟合，最终评估采用不依赖训练的分层保留测试集。验证性能与测试性能之间的差异较小，显示出一致的收敛性和优化可重复性。方程10定义了逐步学习率的时间表。方程15表示验证损失连续两次增加，表明可能存在过拟合。

      

      

      

      

      

      

      

EfficientNet-B0在乳腺超声分类任务中尤为灵活，因其架构包含多项创新架构方面，使结构的效率和速度得以实现。核心部分是MBConv，它将深度可分卷积与挤迫激励模块结合起来，提供较低的计算复杂度且不损失准确性。模型还支持化合物的缩放，能够均匀地扩展深度、宽度和分辨率，以便在各种资源约束下实现最佳性能，并且模型具有任务敏捷性，数学推导如下方程8所示。该模型已包含在ImageNet数据集上训练的权重，因此可以转移用于学习，在很大程度上无需在小型医学数据集上训练模型。这种高层次特性的结合，以及定制化的训练环境，后者还包括最终分类层的变更、Adam优化器、学习率调度器和早期停止功能，确保模型高度准确，同时计算效率高。这种架构创新与训练方法的结合，使模型能够基于有限的医学影像信息高效学习，从而成为乳腺超声分类的有用工具。

算法1：使用高效Net-B0和Grad-CAM进行乳腺超声图像分类

输入：乳腺超声图像。
输出：分类（正常、良性、恶性）和Grad-CAM热图。
1. 图像预处理：
调整到224×224224×224。
用ImageNet的平均值和标准值进行规范化。
通过翻转、旋转和色彩抖动来增强效果。
2. 初始化模型：
加载EfficientNet-B0（预训练，排除顶层）。
再加上全局平均池和一层密集的层（3个神经元，SoftMax）。
3. 列车模型：
优化者：Adam（学习率 = 0.00005）。
损失：交叉熵。
训练18个时代，提前停止（耐心=2）。
4. 研究生-替代医学可视化：
计算目标类别的梯度。
在输入图像上生成并叠加热力图。

该算法提供了使用EfficientNet-B0和Grad-CAM分类乳腺超声图像的工作流程，包括模型的预处理、训练和推断，以及可用于临床验证的可解读热图。

6. 研究生与替代医学作为可解释人工智能

研究中使用的一个强有力工具是为深度学习模型增加可解释性——梯度加权类激活映射。为了解决当前临床影像中对XAI的迫切需求，该方法采用Grad-CAM技术，使临床医生能够直观地理解模型决策过程，这些决策通过图像中最重要的区域周围的可视化热图进行，用于预测模型。这种可解释性的趋同对于建立人工智能系统的信任至关重要，尤其是在像医疗这样高风险系统中，问责制和透明度至关重要。 图5 展示了Grad-CAM热图，突出显示对模型对良性、恶性和正常病例预测影响最大的图像区域。

图5：Grad-CAM激活热图。 （A）良性，（B）恶性，（c）正常病例。暖色（红色）表示高度诊断影响;冷色调（蓝色）表示注意力较低。 请点击此处查看该图的放大版本。

除了模型输入的图像外，所有Grad-CAM图像均被展示。图5展示了原始超声图像和模型输入图像，以确保密切关注区域与预测中考虑的处理输入直接相关。为了获得通道级重要性，Grad-CAM利用最终卷积层的特征图计算预测类别的梯度。这些梯度在全球范围内被平均以获得加权系数，然后与相应的特征图相乘，生成局部化热图（方程16和17）。热图随后被上采样至输入分辨率，并叠加到超声图像上，以显示图像中诊断关注的区域（如肿瘤边缘、纹理变化等）。该可视化提供了对模型中用于预测的区域的空间理解。本文通过视觉分析衡量注意力定位的可解读性。这些指标未包括定量定位和临床评估，这些仍是未来临床相关性验证的重要途径。

      

      

Grad-CAM通过突出显示对预测有贡献的图像区域，对模型的视觉工作方式进行预测。热图可用于确认该网络专注于临床相关结构，包括肿瘤边缘和声学模式。在误报中，可视化有助于发现对无关区域的关注，有助于模型评估和优化。医学特征与模型注意力之间的这种对应性提升了AI辅助诊断的可解释性。 图6 展示了GradCAM的可视化。

图6：GradCAM可视化。 Grad-CAM热图，显示重要区域（红色=高，蓝色=低），用于分类;颜色强度表示特征的重要性。 请点击此处查看该图的放大版本。

Grad-CAM的加入旨在通过突出对分类选择贡献最大的图像区域，提高EfficientNet-B0模型的可解释性。所得热图显示了肿瘤边缘和纹理变化的临床重要结构，便于清晰分析模型预测。这种高度的分类准确性和视觉可解读性使该框架在分析乳腺超声图像时更具可靠性。

7. 统计分析

该模型基于大量指标进行评估，如精度，作为正面预测准确性的衡量标准;回忆，作为模型识别所有相关病例有效性的衡量标准;以及F1分数，即精度和回忆的谐波平均值，提供了整体性能的平衡衡量，数学计算方式为18–21。

      

      

      

      

平均绝对误差（MAE）量化了预测值与真实值之间的平均绝对差值，数学计算方法为方程22。

      

均方根误差（RMSE）衡量预测与真实值的平均偏差，数学计算方法为方程23。

      

平均绝对误差（MAE）量化了预测值与真实值之间的平均绝对差值，数学计算方式为24号方程。

      

混淆矩阵用于详细划分真阳性、真阴性、假阳性和假阴性类别，进一步说明模型如何分类³⁰个。这些评估指标结合起来，能够整体评估模型误差、强度和未观察数据上的泛化情况，因此使其成为分类乳腺超声图像的可靠工具。BUSI数据集中病灶掩膜的可用性意味着未来可以引入定量定位指标，如交集与并集，以客观评估解释的准确性。选择分层保留验证是为了保持训练子集与评估子集之间的独立性，同时保持类别分布。不使用交叉验证的原因是防止验证样本重复暴露于优化过程，但未来研究将采用重复或嵌套交叉验证来进一步确定性能差异。

结果

输入尺寸标准化为24 X 224像素，并基于ImageNet的归一化，促进了训练行为的稳定和损失曲线的平滑收敛。在训练样本上应用掩膜叠加操作显著提高了病灶边界的可见度，相较于原始超声图像。这一观察支持了解剖学引导增强能改善特征可分离性的假说。虽然训练阶段使用了这些叠加层，但验证和测试集仍作为对照组，未进行掩膜增强;这些数据集的稳定表现证明模型学习的是内在的解剖标记，而非依赖外部掩体伪影。这些结果证实，预处理有效减少了背景变异性，尤其是在视觉上较为细微的病变中。

针对恶性和正常少数群体进行靶向增强，实现了均衡的类别分布，并减轻了对优势良性类别的预测偏差。系统记录恶性组召回率高达0.96，较未加增强的基线控制有显著改善。这些发现表明水平翻转和旋转提供了方向不变性，而色彩抖动增强了对成像变化的抵抗力。实证数据支持这样一个假设：类别特异性增强对于在样本有限的诊断类别中保持高敏感性至关重要。

经过精细调校的EfficientNet-B0模型在BUSI数据集上实现了99%...

讨论

该框架采用经过精细调优的EfficientNet-B0架构，集成梯度加权类别激活映射（Grad-CAM），提供高性能且可解释的乳腺超声分类系统。这项研究通过弥合“黑箱”深度学习模型与临床透明度之间的鸿沟，推动了科学领域的进步，证明计算效率不必^{为了可解释}性而牺牲。通过实施针对病灶的预处理和靶向增强，本研究提供了一套稳健的方法论，用于处理医学数据集中固有的类别不平衡，从而提升了人工智能辅助诊断在肿瘤学中的可靠性。

尽管准确率很高，但该研究存在若干局限性。BUSI数据集代表单一来源临床获取场景，当暴露于不同扫描仪特性或多样化种群分布时，可能限制模型的跨域稳健性⁴¹。此外，样本量虽具代表性，但缺乏多中心队列的规模。研究假说的替代方法包括实施视觉变换器（ViT）或自我监督学习（SSL），这些方法有望在不需大量标记掩膜的情况下，在超声纹理中捕捉更全局的上下文。此外，定量定位指标，如Grad-CAM热图与放射科医生标注面罩的交叉与并排...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
乳腺超声图像（BUSI 数据集）		N/A	780 张 PNG 图像（487 个良性，210 个恶性，133 个正常）
Matplotlib	Matplotlib 开发者	N/A	版本 3.7.1
NumPy	NumPy 开发者	N/A	版本 1.23.5
NVIDIA Tesla T4 GPU	NVIDIA	N/A	16GB VRAM
OpenCV	OpenCV.org	N/A	版本 4.7.0
Pillow (PIL)	Python 图像库	N/A	版本 9.4.0
Python	Python 软件基金会	N/A	版本 3.9.12
PyTorch	Meta AI	N/A	版本 2.0.1+cu117
Scikit-learn	Scikit-learn 开发者	N/A	版本 1.2.2
Seaborn	Seaborn 开发者	N/A	版本 0.12.2
Ubuntu OS	Canonical	N/A	64 位