基于放射组学知识驱动的深度学习框架在乳腺癌超声视频诊断中的创新应用与临床价值探索

　　本文推荐一种融合放射组学（Radiomics）知识与深度学习技术的创新诊断框架，该框架利用双幅对比增强超声（CEUS）视频数据，通过三阶段知识引导机制——包括特征提取、定量知识融合（采用数值分箱编码与时空因果模块）和定性知识融合（运用标签嵌入与多标签校准损失）——显著提升乳腺癌分类性能（AUC达94.50%±1.50%），同时为临床决策提供症状分析支持，推动了智能诊断与临床实践的有效结合。

　　

Highlight

本文的核心亮点在于提出了一种系统性的三阶段知识驱动框架，巧妙地将放射组学特征与深度学习模型相结合，显著提升了乳腺癌诊断的准确性与可解释性。

Breast cancer ultrasound diagnosis

超声作为一种无创、无辐射、易获取且经济的影像模态，被广泛用于乳腺肿瘤的初步评估与术前诊断，这促使学者们深入探索乳腺超声的智能诊断方法。Cao等人通过引入像素邻域表征学习（NeighborNet），灵活融合全局与局部信息，有效应对了病灶边界模糊和形态不规则的问题。

Overview

所提出的双幅CEUS视频分析框架如图1所示，包含两大核心部分。首先是三分支视频分类网络。临床中的双幅CEUS视频通常同时包含B超（B-US）与对比增强超声（CEUS）两种模态。为处理这一多模态视频数据，我们以时间片段网络（Temporal Segment Network, TSN）为基础，构建了三分支模态融合结构，以此作为后续知识融合的基线模型。

Dataset

图5展示了所使用的双幅CEUS数据集，该数据集由临床采集的CEUS-BUS序列对构成，具备时空对应关系。每一次同步采集既能捕捉动态血管模式，也能获取静态形态特征，这对全面分析病灶至关重要。本数据集回顾性收集于2021年3月至2022年5月，在中国医科大学附属盛京医院通过高精度超声设备与声维（SonoVue）造影剂完成。

Discussion

本文聚焦于双幅CEUS视频数据，提出了一种有效融合放射组学知识与深度学习模型的框架，以提升癌症分类性能。我们的方法包括三个关键步骤：（1）放射组学知识提取：模型利用双幅CEUS数据中的空间结构与时间变化信息提取相关放射组学特征，并进行特征筛选；（2）定量知识的特征级融合：通过数值分箱编码和时空因果模块将数值型特征与视频表征深度融合；（3）定性知识的决策级融合：借助标签嵌入与多标签校准损失机制，将类别特征与模型输出对齐。实验证明，该框架不仅性能优越，还能提供临床证据，增强结果的可信度与实用性。

Conclusion

本研究提出了一种新颖的、知识驱动的深度学习框架，用于基于双幅CEUS视频的乳腺癌诊断。我们通过三个步骤的系统性知识整合，从定量与定性两个角度将放射组学知识深度融合至深度学习模型中，有效弥合了传统放射组学与现代深度学习技术之间的鸿沟。所提出的分箱编码技术与时空因果模块促进了定量指标与视频表征的融合，而标签嵌入与多标签校准损失机制则实现了定性知识与诊断决策的协同。大量实验表明，该框架在癌症分类任务中达到了与经验丰富放射科医生相媲美的性能，同时提供可解释的临床证据，展现了其在智能医疗领域的广阔潜力。