基于深度学习的乳腺叶状肿瘤超声影像特征分析及其与纤维腺瘤鉴别诊断研究综述

基于深度学习的乳腺叶状肿瘤超声影像特征分析及其与纤维腺瘤鉴别诊断研究综述乳腺叶状肿瘤（phyllodestumor，PT）是一种较为罕见的乳腺纤维上皮性肿瘤，占所有乳腺肿瘤的0.3%~1%，其生物学行为具有异质性，可分为良性、交界性和恶性三个亚型，约10%~30%的病例会出现局部复发，甚至发生远处转移，对患者的生存预后造成严重威胁。而纤维腺瘤（fibroadenoma，FA）是临床最常见的乳腺良性肿瘤，占乳腺良性肿瘤的75%左右，多数仅需定期随访或局部切除即可，过度治疗反而会增加患者的经济负担和心理压力。由于二者在临床表现和常规超声影像上均存在高度相似性，尤其当PT体积较小时，其形态、边界、回声等特征与FA几乎重叠，导致术前误诊率高达30%~50%，部分患者因此接受了不必要的扩大切除术，或因漏诊恶性PT而延误治疗。近年来，随着医学影像技术与人工智能的交叉融合，深度学习算法在医学影像辅助诊断领域展现出巨大的应用潜力，其能够自动挖掘影像中隐藏的高维特征，突破人工判读的经验局限，为PT与FA的精准鉴别诊断提供了新的解决方案。一、乳腺叶状肿瘤与纤维腺瘤的超声影像特征差异及人工诊断困境超声是乳腺疾病筛查和诊断的首选影像学方法，具有无辐射、操作简便、价格低廉等优势。传统超声诊断主要基于BI-RADS（乳腺影像报告和数据系统）分类标准，通过分析肿瘤的形态、边界、边缘、内部回声、后方回声特征、钙化情况、血流信号等半定量特征对病变良恶性进行评估。对于典型PT与FA，二者的超声特征存在一定差异：典型PT通常表现为体积较大（直径>3cm）的分叶状或不规则形肿块，边界多清晰但部分可见毛刺，内部回声不均，常伴有囊性变区域，后方回声多增强，彩色多普勒血流显像（CDFI）显示血流丰富，阻力指数（RI）多高于0.7；而典型FA多表现为圆形或椭圆形、边界清晰、包膜完整、内部回声均匀、后方回声无变化或轻度增强、血流信号稀少的肿块。但临床实践中，约40%的PT不具备上述典型特征，尤其是小型PT（直径<2cm）的形态可表现为规则的椭圆形，边界光滑，内部回声均匀，与FA的影像特征高度重合。此外，不同超声医生的操作手法、仪器参数设置、临床经验水平等因素也会进一步增加诊断的不确定性：研究显示，低年资超声医生对PT的诊断准确率仅为55%左右，高年资医生的准确率也仅能达到70%~75%。部分FA因出现黏液样变性、梗死等继发性改变，也会表现出回声不均、边界不清等类似PT的特征，进一步加大了鉴别难度。常规超声的局限性还体现在其仅能提供二维的形态学信息，无法量化肿瘤内部的微观结构变化和血流动力学特征，而这些信息恰恰是区分PT与FA的关键生物学标记。弹性超声、超声造影等新技术的应用虽能提供更多功能学信息，但其诊断效能仍依赖于医生的经验判断，且存在操作复杂、可重复性差等问题，难以在基层医疗机构广泛推广。二、深度学习在乳腺超声影像分析中的技术基础深度学习是机器学习的一个分支，其核心是通过构建多层神经网络结构，自动从原始数据中学习分层特征，无需人工设计特征提取规则。在医学影像领域，卷积神经网络（ConvolutionalNeuralNetwork，CNN）是应用最广泛的深度学习模型，其通过卷积层、池化层、全连接层的堆叠，能够有效捕捉影像中的局部纹理、边缘、形状等低层级特征，以及更高维度的语义特征，尤其适合处理超声这类灰度纹理丰富的医学影像数据。目前应用于乳腺超声鉴别诊断的深度学习模型主要分为三类：第一类是基于图像分类的端到端模型，即直接将超声影像输入模型，通过卷积层自动提取特征后输出分类结果，常用的基础网络包括AlexNet、VGGNet、ResNet、DenseNet等。这类模型的优势是训练流程简单，无需人工标注影像特征，适合大数据集的训练。第二类是基于目标检测的模型，如FasterR-CNN、YOLO系列等，其能够先自动定位超声影像中的肿瘤区域，再对感兴趣区域（ROI）进行特征提取和分类，避免了周围正常组织对诊断结果的干扰，更符合临床医生的诊断逻辑。第三类是多模态融合模型，即结合超声影像的不同模态数据（如常规灰阶超声、弹性超声、超声造影），或者融合临床信息、实验室检查结果等多源数据进行联合诊断，能够进一步提升模型的诊断效能。模型训练过程中，数据质量是决定诊断准确率的核心因素。由于PT属于罕见病，公开数据集中的PT病例数量较少，容易出现类别不平衡问题，导致模型倾向于将PT误判为更常见的FA。针对这一问题，研究者通常采用数据增强技术扩充PT样本量，常用的方法包括随机裁剪、旋转、翻转、加噪声、对比度调整等，也可以通过生成对抗网络（GAN）生成高仿真的PT超声影像，补充训练数据集。此外，迁移学习技术的应用也有效解决了小数据集训练难的问题：通过在大规模自然图像数据集（如ImageNet）上预训练的模型作为初始权重，再用乳腺超声数据集进行微调，能够显著提升模型的特征提取能力和泛化性能，减少对标注数据量的依赖。三、深度学习在乳腺叶状肿瘤与纤维腺瘤鉴别诊断中的研究进展近年来，国内外学者围绕深度学习在PT与FA鉴别诊断中的应用开展了大量研究，取得了一系列突破性进展。在单模态超声诊断方面，多项研究证实深度学习模型的诊断准确率显著高于传统人工诊断。2021年，国内某团队回顾性收集了1200余例经病理证实的乳腺肿瘤超声影像，其中PT病例216例，FA病例984例，构建了基于ResNet-50的深度学习分类模型，结果显示该模型鉴别PT与FA的AUC（受试者工作特征曲线下面积）达到0.912，准确率为87.3%，敏感性为85.2%，特异性为87.8%，显著高于高年资超声医生的诊断水平（AUC=0.785，准确率=74.2%）。该研究还发现，深度学习模型能够捕捉到人工无法识别的细微纹理特征，如肿瘤内部的微囊变区域、回声不均的量化程度等，这些特征在小型PT的鉴别中尤为重要。针对超声影像中肿瘤定位的问题，有研究者将目标检测算法应用于诊断流程，进一步提升了模型的临床适用性。2022年一项研究构建了基于YOLOv4的自动检测分类模型，该模型无需人工标注ROI，能够直接对整张超声影像进行肿瘤定位和分类，在包含320例PT和1280例FA的测试集中，模型的AUC达到0.896，准确率为85.7%，且单张影像的处理时间仅为0.08秒，能够满足临床实时诊断的需求。该模型在直径<2cm的小肿瘤亚组中仍保持了0.863的AUC，显著优于人工诊断的0.682，证实了深度学习在不典型病例鉴别中的优势。多模态融合是当前该领域的研究热点，通过整合不同模态超声的互补信息，能够进一步提升诊断效能。2023年发表在《UltrasoundinMedicine&Biology》上的一项研究，构建了融合常规灰阶超声、剪切波弹性成像（SWE）和超声造影（CEUS）的多通道深度学习模型，该模型分别对三个模态的影像进行特征提取后，通过注意力机制自动分配不同模态的权重，最终在420例（PT105例，FA315例）的测试集中AUC达到0.941，准确率为90.2%，敏感性为92.4%，特异性为89.5%，显著优于单模态模型。该研究还发现，弹性信息和造影信息能够有效提升交界性和恶性PT的识别率，对于直径>5cm的大型肿瘤，模型的诊断准确率仍保持在88%以上，克服了人工诊断中大型肿瘤特征重叠导致的误诊问题。为了提升模型的可解释性，解决深度学习“黑箱”问题，研究者还引入了类激活映射（CAM）、梯度加权类激活映射（Grad-CAM）等可视化技术，能够显示模型分类时重点关注的影像区域，帮助医生理解模型的决策依据。2024年的一项研究通过Grad-CAM可视化发现，模型关注的区域主要集中在肿瘤的边缘、内部囊性变区域和血流分布区域，与临床医生的诊断关注点高度一致，且能够识别出医生忽略的微小异常区域，为模型的临床应用提供了可信度支撑。四、当前研究的局限性与未来发展方向尽管深度学习在PT与FA鉴别诊断中展现出优异的性能，但当前研究仍存在诸多局限性，距离临床大规模应用仍有一定距离。首先是数据集的问题，现有研究多为单中心、小样本的回顾性研究，不同中心的超声仪器型号、操作规范、图像质量存在较大差异，导致模型的跨中心泛化性能不足。目前公开的乳腺超声数据集中PT病例数量极少，多数研究中的PT病例不足300例，难以覆盖不同亚型、不同大小、不同病理分级的PT特征，容易出现过拟合问题。其次是模型的可解释性仍不足，虽然可视化技术能够展示模型关注的区域，但无法解释这些区域的特征与病理机制的对应关系，难以让临床医生完全信任模型的诊断结果，尤其对于需要手术决策的病例，仅靠模型的分类结果不足以支撑临床决策。此外，现有模型多数仅聚焦于PT与FA的二分类，未进一步对PT的良恶性亚型进行分类，而PT的病理分级直接决定了手术方式的选择，这也是未来研究需要重点关注的方向。未来的研究应重点关注以下几个方向：一是构建多中心、大样本的标准化乳腺超声数据集，统一影像采集规范和标注标准，纳入不同地区、不同人群、不同设备的病例数据，提升模型的泛化能力。二是开发可解释性更强的深度学习模型，结合病理特征构建特征与病理机制的对应关系，实现“影像-病理”关联的可视化解释，让模型的决策过程更加透明。三是推进多模态多源数据的融合，除了不同模态的超声影像，还可以整合患者的年龄、病史、肿瘤标志物、基因检测等多源信息，构建更全面的诊断模型，同时进一步实现PT的病理分级预测，为临床治疗方案的选择提供更精准的参考。四是开展前瞻性临床验证研究，评估模型在真