基于深度学习的乳腺密度评估研究综述.docVIP

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