基于深度学习的乳腺密度评估研究综述

基于深度学习的乳腺密度评估研究综述乳腺密度是指乳腺组织中纤维腺体组织与脂肪组织的占比比例，是乳腺癌风险评估的独立危险因素之一。高密度乳腺不仅会掩盖微小肿瘤病灶，降低乳腺X线摄影（钼靶）的筛查灵敏度，还会使乳腺癌发病风险提升4-6倍，因此精准、高效的乳腺密度评估对于乳腺癌早筛、风险分层及临床决策具有重要意义。传统乳腺密度评估主要依赖放射科医师的主观判读，常用方法包括美国放射学会提出的BI-RADS密度分类法、Wolfe分型等，存在观察者间一致性差（Kappa值多在0.6-0.7区间）、效率低、易受医师经验和疲劳度影响等局限，难以满足大规模人群筛查的标准化需求。近年来，深度学习技术在医学影像分析领域取得突破性进展，凭借其强大的特征自动提取能力，为乳腺密度的客观、定量评估提供了全新解决方案，相关研究成果呈现爆发式增长态势。深度学习在乳腺密度评估中的主流任务范式当前基于深度学习的乳腺密度评估研究主要围绕分类、分割、回归三类核心任务展开，不同任务范式对应不同的临床应用场景与技术需求。分类任务是目前研究最为广泛的方向，核心目标是将乳腺影像自动划分为BI-RADS规定的4类密度等级（1类：几乎完全为脂肪；2类：散在纤维腺体影；3类：不均匀致密；4类：极度致密）。早期研究多采用经典卷积神经网络（CNN）架构进行端到端分类，如2017年Kooi等人率先将VGGNet应用于乳腺钼靶影像的密度分类，在7万余例大样本数据集上获得了与放射科医师相当的分类准确率，AUC值达到0.87。后续研究不断对模型结构进行优化，一方面通过引入注意力机制聚焦纤维腺体区域，弱化背景噪声干扰，例如2022年发表于《MedicalImageAnalysis》的研究提出通道-空间双注意力模块，使分类准确率较基础ResNet模型提升3.2%；另一方面针对多视角钼靶影像（头尾位CC、内外斜位MLO）的特征融合问题，研究者设计了双分支、多分支融合网络，通过捕捉不同视角下的乳腺结构互补信息，进一步提升分类鲁棒性，目前在公开数据集INbreast上的最优分类准确率已突破92%，观察者间一致性Kappa值提升至0.85以上，显著高于传统人工判读水平。分割任务则聚焦于乳腺区域内纤维腺体组织的精准像素级定位，为后续的密度定量计算提供基础。相较于自然图像分割，乳腺腺体分割面临边界模糊、腺体与周围组织对比度低、个体形态差异大等挑战。早期分割研究多采用U-Net及其变体架构，通过编码器提取上下文特征、解码器恢复空间分辨率的编码-解码结构实现精准分割。为解决小样本标注不足的问题，半监督、弱监督分割方法成为近年研究热点：2023年一项研究仅利用10%的像素级标注数据，结合对比学习预训练策略，获得了与全监督方法相当的分割性能，Dice系数达到0.89；针对腺体边界模糊的难点，研究者通过引入边界感知损失函数，强制模型关注腺体边缘特征，使边界分割准确率提升近5%。目前高精度的腺体分割结果已可直接用于计算乳腺密度百分比（PD值），为临床提供比BI-RADS分类更精细的定量指标。回归任务的核心是直接输出连续的乳腺密度数值，避免分类任务中等级划分的颗粒度局限。相较于分类任务，回归任务对模型的特征拟合能力要求更高，需要准确捕捉腺体占比的细微差异。2021年有团队首次提出多任务学习框架，将分类任务与回归任务联合训练，利用分类任务的类别约束提升回归模型的稳定性，在12万例临床数据集上的平均绝对误差（MAE）仅为3.2%，远低于人工测量的平均误差（8.7%）。连续的密度回归结果可用于构建更精细的乳腺癌风险预测模型，有研究证实基于深度学习自动计算的密度值，对5年内乳腺癌发病风险的预测性能显著优于人工评估的BI-RADS密度分类，AUC值提升0.09。多模态影像下的乳腺密度评估技术进展除传统的2D钼靶影像外，近年研究逐步拓展到数字乳腺断层合成（DBT）、超声、磁共振成像（MRI）等多模态影像场景，充分利用不同模态的成像优势提升评估精度。数字乳腺断层合成通过多角度拍摄重建出3D乳腺影像，可有效解决2D钼靶中组织重叠的问题，尤其适合高密度乳腺人群的密度评估。针对DBT数据的3D特性，研究者设计了3DCNN、Transformer等架构直接处理3D体数据，2024年最新研究提出的跨层注意力3DTransformer模型，在2000例DBT数据集上的密度分类准确率较2D模型提升4.5%，对极度致密乳腺的识别灵敏度提升至94%，有效降低了高密度人群的漏判率。同时，DBT影像的层间信息还可用于分析腺体的空间分布特征，有研究发现腺体的空间异质性指标与乳腺癌风险的相关性甚至高于单纯的密度占比，为密度评估提供了新的特征维度。超声影像因无辐射、对软组织分辨力高的优势，广泛应用于乳腺疾病筛查，尤其适合年轻女性、致密型乳腺人群的补充检查。基于超声的乳腺密度评估面临的主要挑战是图像质量不均、伪影多，且缺乏统一的密度评估标准。近年研究通过结合超声纹理特征与深度学习模型，实现了超声影像下的密度自动评估，2022年一项多中心研究纳入3000例同步接受钼靶和超声检查的受试者，训练的深度学习模型以钼靶评估结果为金标准，在超声数据上的密度分类准确率达到85%，为无法接受钼靶检查的人群提供了替代评估方案。乳腺MRI可提供多参数、多序列的功能信息，是目前乳腺疾病诊断最敏感的影像学手段。基于MRI的乳腺密度评估不仅可以测量腺体体积，还可通过动态增强序列提取腺体的血流动力学特征，进一步挖掘密度相关的生物学信息。2023年发表于《JournalofMagneticResonanceImaging》的研究利用多序列MRI数据训练多模态融合模型，实现了乳腺密度与背景实质强化程度的联合评估，研究结果显示两者联合对乳腺癌风险的预测价值优于单一密度指标。不过MRI检查成本较高、扫描时间长，目前相关研究主要集中于高危人群的风险评估场景，尚未大规模应用于人群筛查。临床应用落地面临的挑战与应对策略尽管深度学习在乳腺密度评估领域已取得优异的实验性能，但要实现大规模临床落地仍面临多方面挑战。数据集的异质性是首要瓶颈，不同设备厂商、不同扫描参数得到的乳腺影像存在显著的分布差异，导致模型在外部数据集上的性能出现明显下降。为解决这一问题，域适应、域泛化技术成为近年研究重点：2023年一项研究提出的域随机化与特征对齐策略，使模型在3个不同厂商设备的数据集上的准确率波动控制在2%以内，显著提升了模型的跨设备通用性。同时，多中心、大样本的标注数据集建设也在逐步推进，国际上的TCGA-BRCA、EMBED等公开数据集已纳入数万例多中心影像数据，为模型的泛化性训练提供了数据基础。可解释性不足是深度学习模型临床应用的另一大障碍，“黑箱”特性导致医师难以信任模型的评估结果。针对这一问题，研究者通过类激活映射（CAM）、梯度加权类激活映射（Grad-CAM）等可视化技术，将模型决策的关键区域进行高亮显示，验证模型确实是通过关注腺体区域而非背景噪声做出密度判断；部分研究还引入知识蒸馏、符号推理等方法，将临床先验知识嵌入模型训练过程，使模型的决策逻辑更符合临床认知。2024年发表的一项研究构建了“特征-语义”映射框架，可自动生成模型评估结果的文本解释，说明密度等级划分的依据（如“左上象限腺体占比约70%，整体为不均匀致密型”），大幅提升了临床医师的接受度。临床工作流的适配问题同样值得关注，目前多数研究模型为离线处理模式，难以融入医院现有的影像归档和通信系统（PACS）。针对这一需求，行业内已开始研发轻量化、低延迟的深度学习模型，通过模型剪枝、量化等压缩技术，将模型参数压缩至原有的1/10，推理速度提升5倍以上，可在普通CPU设备上实现秒级评估，满足临床实时处理的需求。同时，相关产品的监管审批也在逐步完善，目前已有多款基于深度学习的乳腺密度评估软件通过FDA、NMPA的三类医疗器械认证，开始在临床筛查中试点应用。未来研究方向与发展趋势未来基于深度学习的乳腺密度评估研究将向着更精准、更智能、更集成的方向发展。一是多模态联合评估将成为主流，通过融合钼靶、超声、DBT甚至临床病史、基因数据等多源信息，构建更全面的乳腺健康评估模型，进一步提升乳腺癌风险预测的准确性；二是纵向动态评估将受到更多关注，通过对比同一受试者不同时间点的乳腺密度变化，分析密度变化趋势与乳腺癌发病风险的关系，为个性化筛查方案制定提供依据；三是与乳腺癌