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.docVIP

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