基于优化双曲图注意力与双向卷积神经网络的乳腺癌检测新方法

《Hormones & Cancer》：Breast cancer detection using optimized hyperbolic graph attention with bidirectional convolutional neural network

　　本文针对乳腺癌检测中良恶性病变难以准确区分的问题，提出了一种基于优化双曲图注意力与双向卷积神经网络（HGABCNN）的新方法。研究整合了自适应黄金rush优化（AGRO）技术，通过语义边缘感知中值形态滤波（SMMF）、Swin-based特征提取和自适应性相关约束模糊C均值聚类（SACCFC）等先进技术，在热成像和病理图像上实现了98.6%的准确率，为乳腺癌早期诊断提供了更可靠的解决方案。

　　

乳腺癌是全球女性最常见的恶性肿瘤之一，根据美国癌症协会的报告，其发病率和死亡率一直居高不下。早期准确诊断对提高患者生存率至关重要，然而传统的检测方法如乳腺X线摄影（ mammography）存在诸多局限：检查过程令患者不适，对致密型乳腺组织敏感度低，且在早期病变识别方面效果有限。虽然活检组织病理学检查是确诊的金标准，但依赖病理医生主观判断，工作量大且易出现误诊。近年来，人工智能技术在医学影像分析领域展现出巨大潜力，但现有深度学习模型在区分良恶性病变时仍面临准确率不足、过拟合和收敛困难等挑战。

为突破这些技术瓶颈，Sangeeta Parshionikar等研究人员开展了一项创新性研究，开发了基于优化双曲图注意力与双向卷积神经网络（HGABCNN）的乳腺癌检测系统。该研究通过整合自适应黄金rush优化（AGRO）算法，显著提升了模型性能，在BreakHis组织病理学数据集和Kaggle热成像数据集上分别达到了98.6%和98%的准确率，为乳腺癌早期诊断提供了更加可靠的解决方案。

研究团队采用了几项关键技术方法：使用语义边缘感知中值形态滤波（SMMF）进行图像预处理，有效去除噪声同时保留边缘信息；采用基于Swin Transformer的特征提取方法捕捉图像中的细微模式；开发自适应性相关约束模糊C均值聚类（SACCFC）算法实现精确图像分割；最终通过HGABCNN模型结合双曲空间图注意力机制和双向卷积处理，实现对乳腺癌的高精度分类。研究使用了来自82名患者的7,909张组织病理学图像和67名患者（其中24名乳腺癌患者）的1,340张热成像图像进行模型训练与验证。

数据预处理与特征提取

研究采用语义边缘感知中值形态滤波（SMMF）技术对输入图像进行预处理，该技术结合中值滤波和形态学操作，能有效减少噪声同时保留边缘信息。通过双变换操作和形态学梯度计算，显著提升了图像质量，为后续分析奠定基础。特征提取阶段采用基于Swin Transformer的预自注意力方法，将图像分割为4×4小块，通过自注意力机制捕获乳腺组织中的复杂模式，包括细胞形态、肿瘤特征和间质特征等关键信息。

图像分割与优化

研究提出自适应性相关约束模糊C均值聚类（SACCFC）算法进行图像分割，该算法在标准模糊C均值聚类基础上引入相关性约束，通过自适应机制优化聚类过程。目标函数中融入正则化参数λ控制相关性约束的权重，使算法能更好地适应数据特征结构，提高分割准确性。结合自适应黄金rush优化（AGRO）算法，通过智能初始化种群和动态更新策略，进一步优化聚类中心位置，提升整体性能。

分类模型构建与训练

HGABCNN模型的核心创新在于结合双曲空间图注意力机制和双向卷积神经网络。双曲空间能更有效地表示层次化和复杂的数据结构，而图注意力机制通过计算节点间注意力分数，动态聚合相邻节点信息。双向卷积层同时从前后两个方向提取空间特征，通过ReLU激活函数和最大池化操作，生成丰富的特征表示。模型最终通过全连接层和Softmax分类器实现乳腺癌的精确分类。

模型性能评估

实验结果表明，HGABCNN模型在300个训练周期后达到稳定状态，在BreakHis数据集上获得98.6%的准确率、98.6%的精确率、98%的召回率和98.3%的F1分数。在热成像数据集上同样表现优异，准确率达到98%。消融研究进一步验证了各组件的重要性：单独使用双曲图注意力（HGA）准确率为91.2%，单独使用双向CNN（BiCNN）为89.3%，而同时去除这两个组件时准确率降至83.5%，证明完整模型设计的必要性。

混淆矩阵分析显示，模型在良恶性分类任务中表现出色，对腺病、纤维腺瘤、管状腺瘤和叶状肿瘤等良性病变，以及导管癌、小叶癌、黏液癌和乳头状癌等恶性病变都能实现准确识别。与现有方法相比，HGABCNN在准确率、精确度、召回率和F1分数等指标上均优于深度学习迁移学习（DTL）、CNN-GRU、CNN-PS等现有方法。

本研究提出的HGABCNN框架通过创新性地结合双曲图注意力和双向卷积神经网络，在乳腺癌检测领域实现了重要突破。该方法不仅显著提升了分类准确率，还通过整合热成像和组织病理学两种模态数据，增强了模型的临床应用价值。自适应黄金rush优化算法的引入有效解决了过拟合和收敛问题，而先进的预处理和分割技术保证了图像分析的质量。

研究的实际意义在于为临床医生提供了可靠的辅助诊断工具，能够在一定程度上减轻病理医生的工作负担，降低主观判断带来的误诊风险。特别是对早期病变的准确识别，有望帮助患者获得及时治疗，从而提高生存率和生活质量。虽然该方法目前仍处于研究阶段，需要进一步的大规模临床验证，但其展现出的技术优势为未来智能医疗诊断系统的发展指明了方向。

未来研究可探索将该框架扩展到其他癌症类型的诊断中，并进一步优化模型效率以满足实时临床应用的需求。多中心合作和数据共享将有助于验证方法的普适性和鲁棒性，推动人工智能在医学影像分析领域的深入应用。