开发了一种基于 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类为良性、恶性和正常三类，并提供适用于临床决策支持应用的可解释诊断热图。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本文内容
摘要
摘要
通过超声图像进行乳腺癌识别需要高准确性和透明度，以协助临床医生做出适当决策。本研究展示了一种基于EfficientNet-B0架构的深度学习系统，该系统在乳腺超声识别（BUSI）数据集上进行微调，用于将乳腺超声图像分类为良性、恶性和正常图像。为缓解类别不平衡问题并稳定网络训练，采用了包括随机水平翻转、旋转和颜色抖动在内的数据增强方法。利用梯度加权类激活映射（Grad-CAM）生成可视化解释，识别出肿瘤边界和纹理模式等感兴趣区域。该模型平均准确率达到99%，在病灶检测中表现出高效性。可解释人工智能（XAI）的引入不仅提高了诊断可信度，也弥合了临床实践与人工智能之间的差距。结果证明，将高性能深度学习模型与可解释性方法相结合，在开发适用于实际临床应用的可靠乳腺癌诊断工具方面具有巨大潜力。
引言
乳腺癌是全球女性中最严重的威胁生命的疾病之一。根据世界卫生组织（WHO）的数据，乳腺癌导致了大多数与癌症相关的死亡，而早期诊断对于提高生存率至关重要1。超声成像已成为乳腺癌常规诊断手段，因其安全性高、成本低廉，并能提供实时图像。与乳腺X线摄影相比，超声在区分实性肿块和含液体的病灶方面极为有效，因此在乳腺病变存在时可作为出色的诊断辅助工具。然而，超声图像的解读具有高度主观性，依赖于高水平的专业经验，容易导致诊断结果的变异性及可能的人为误差。
近年来，人工智能与深度学习在医学图像分析自动化方面展现出强大的能力。基于深度学习的模型，尤其是卷积神经网络（CNNs），在目标分割、检测与分类任务中表现卓越。2然而，人工智能在医疗保健领域的应用受到以下因素的抑制： "黑箱" 这些模型的性质。术语 "黑箱" 指模型得出特定结论的过程缺乏透明度；尽管输入和输出是已知的，但模型内部的逻辑及其用于做出临床预测所依赖的具体特征对用户而言仍然不透明。
本研究的动机源于对可靠工具的迫切需求，以支持乳腺癌的早期诊断，而乳腺癌至今仍是全球女性死亡的主要原因。 尽管深度学习模型具有很高的有效性，但其缺乏可解释性限制了其在临床环境中的应用3。本研究通....
访问受限。请登录或开始试用以查看此内容。
方案
1. 数据集特征
本研究使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与分类提供了记录完善的资源库29。该数据集尤为适用，因其包含大量超声图像，可用于建立和验证医学影像领域的深度学习模型。该数据集共包含来自600名年龄在25至75岁女性的780幅超声图像，代表了乳腺癌诊断中的多样化人群。所有图像的平均分辨率为500 × 500像素，并采用PNG格式以在分析中保留高质量的视觉数据。图1展示了所提出框架的整体工作流程，包括预处理、数据增强、EfficientNet-B0特征提取、分类以及Grad-CAM可解释性分析。
图1：BUSI 数据集的代表性样本。（A....
访问受限。请登录或开始试用以查看此内容。
结果
将输入尺寸标准化为24 × 224像素，并采用基于ImageNet的归一化方法，有助于训练过程的稳定性以及损失曲线的平滑收敛。在训练样本上应用掩膜叠加操作后，与原始超声图像相比，病灶边界的可见性显著提高。该观察结果支持了如下假设：解剖结构引导的增强可改善特征的可分性。尽管训练阶段使用了这些掩膜叠加图像，验证集和测试集仍保持为未添加掩膜增强的对照组；模型在这些数据集上表现出的一致性能证明，其学习到的是内在的解剖学特征，而非依赖外部掩膜产生的人工特征。这些结果证实，预处理有效降低了背景的变异性，尤其对于视觉上较不明显的病灶。
针对恶性与正常少数类别的定向增强处理实现了类别分布的均衡，并减轻了对占主导地位的良性类别的预测偏差。系统在恶性类别上记录到0.96的高召回率，相较于未进行增强处理的基线对照实验，有显著提升。这些结果表明，水平翻转和旋转提供了方向不变性，而颜色抖动增强了对成像变异的抵抗能力。实证数据支持了以下假设：对于样本量有限的诊断类别，类别特异性增强对于保持高灵敏度至关重要。
在 BUSI 数据集上，经过精细调优的 Eff.......
访问受限。请登录或开始试用以查看此内容。
讨论
本研究提出的框架采用经过微调的 EfficientNet-B0 架构，并结合梯度加权类激活映射（Grad-CAM），构建了一个高性能且具有可解释性的乳腺超声图像分类系统。该研究通过弥合"黑箱"深度学习模型与临床透明性之间的差距，推动了科学领域的发展，证明了计算效率无需以牺牲可解释性为代价40。通过实施病灶感知的预处理和针对性的数据增强，本研究为处理医学数据集中固有的类别不平衡问题提供了稳健的方法，从而提升了人工智能辅助肿瘤学诊断的可靠性。
尽管取得了较高的准确性，但本研究仍存在若干局限性。BUSI 数据集代表了单一来源的临床采集场景，当模型暴露于不同超声设备特性或不同人群分布时，其跨域鲁棒性可能受限41。此外，样本量虽具代表性，但仍不及多中心队列的规模。研究该科学假设的其他可能途径包括采用视觉变换器（Vision Transformers, ViT）或自监督学习（Self-Supervised Learning, SSL），这些方法或许能够在无需大量标注掩膜的情况下，更有.......
访问受限。请登录或开始试用以查看此内容。
披露
作者声明不存在利益冲突。
致谢
作者谨向各自机构及同事致以诚挚的感谢，感谢他们在本研究过程中持续的支持与鼓励。作者同时感谢 BUSI 乳腺超声数据集的创建者提供了公开可用的数据集，使得本研究得以开展。 本研究得到了沙特阿拉伯利雅得公主诺拉·宾特·阿卜杜勒拉赫曼大学研究人员支持项目（PNURSP2026R432）的资助。作者还感谢国王哈立德大学研究与研究生院 通过大型团体研究项目（资助编号 RGP2/749/46） 对本研究提供的经费支持。
....访问受限。请登录或开始试用以查看此内容。
材料
| 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 张良性，210 张恶性，133 张正常） | |
| Matplotlib | Matplotlib 开发团队 | N/A | 版本 3.7.1 |
| NumPy | NumPy 开发团队 | 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 开发团队 | N/A | 版本 1.2.2 |
| Seaborn | Seaborn 开发团队 | N/A | 版本 0.12.2 |
| Ubuntu 操作系统 | Canonical | N/A | 64 位 |
参考文献
- Wilkinson, L., Gathani, T. Understanding breast cancer as a global health concern. Br J Radiol. 95 (1130), 20211033(2021).
- Ud din, N. M., Dar, R. A., Rasool, M., Assad, A. Breast cancer detection using deep learning: datasets, methods, and challenges ahead. Compu....
访问受限。请登录或开始试用以查看此内容。