基于分类器引导去噪扩散模型的弱监督乳腺X线摄影异常检测:KHCC乳腺X线队列真实世界临床研究

《Frontiers in Medical Technology》:MammoDiff: weakly supervised mammographic anomaly detection via classifier-guided denoising diffusion models—a real-world clinical study on the KHCC mammography cohort

【字体: 大 中 小 】 时间:2026年10月13日 来源:Frontiers in Medical Technology 4.6

编辑推荐:

  引言:恶性乳腺X线病变的早期检测是一个关键的临床挑战,尤其是在缺乏大型标注数据集的情况下。监督式深度学习能达到接近放射科医师的性能,但需要具有可靠标签和像素/感兴趣区域(ROI)标注的大型数据集。仅需要图像级二元标签的弱监督异常检测提供了一种标注高效的替代方案

  
引言:恶性乳腺X线病变的早期检测是一个关键的临床挑战,尤其是在缺乏大型标注数据集的情况下。监督式深度学习能达到接近放射科医师的性能,但需要具有可靠标签和像素/感兴趣区域(ROI)标注的大型数据集。仅需要图像级二元标签的弱监督异常检测提供了一种标注高效的替代方案,然而先前基于生成对抗网络(GAN)和自编码器的方法在乳腺X线摄影领域难以保留精细的解剖细节。
方法:研究人员提出了MammoDiff,据研究人员所知,这是分类器引导的去噪扩散模型在弱监督乳腺X线摄影异常检测中的首次应用,并在约旦侯赛因国王癌症中心(KHCC)的806名患者的3013张乳腺X线摄影图像上进行了训练和评估。MammoDiff通过确定性DDIM噪声编码对输入解剖结构进行编码,并在噪声条件二元分类器的梯度信号引导下重建反事实健康图像。异常图是输入与重建之间的逐像素绝对差值,图像级评分通过空间平均池化获得。在验证集上对噪声水平L∈{250,500,750}和梯度尺度s∈{50,100,200}进行了3×3消融实验。
结果:最优配置(L=750, s=50)在留存测试集(n=304)上取得了AUROC=0.7246 [95% CI: 0.6685, 0.7825],相比之下简化PatchCore风格基线为AUROC=0.6634,监督式ResNet-50参考为AUROC=0.8100,无需像素级标注。所提出的健康平移指数(HSI)在94.8%的恶性病例和87.4%的正常病例中为阳性,因此携带信息的是类分布之间的分离程度,而非该指数的符号。
讨论:该性能尚不能临床部署:在约登最优阈值下,敏感性为0.6013,意味着153例恶性病例中有61例被漏诊,远低于FDA批准的筛查分流设备所瞄准的约87%,且该研究为单中心、无外部验证。因此,MammoDiff被提出作为一种方法论的概念验证和未来研究的可复现基线,而非筛查或分流工具。
乳腺癌是全球女性最常见的恶性肿瘤,2020年新发病例230万,死亡68.5万。乳腺X线摄影是唯一经大型随机试验证明可降低乳腺癌死亡率的影像学手段,但其判读依赖放射科医师的知觉能力,灵敏度在70%–87%之间波动,受病灶细微性、腺体密度、阅片疲劳等因素影响。监督式深度学习虽然能达到接近放射科医师的水平,但需要数万甚至上百万张带有可靠标签及像素级标注的图像,这种“监督瓶颈”在资源有限地区尤为突出。弱监督异常检测只需图像级二元标签,是标注高效的替代方案,但以往基于生成对抗网络(GAN)和自编码器的方法难以在乳腺X线摄影这一高度纹理化的成像域中保留精细解剖结构,对微钙化簇和边界不清肿块的重建误差不足。去噪扩散概率模型(DDPM)结合确定性DDIM编码和分类器梯度引导,在脑MRI和胸部X光片上展现出优于GAN和自编码器的异常检测性能,但尚未被系统评估用于数字乳腺X线摄影,更未在阿拉伯人群队列中验证。为此,研究人员提出了MammoDiff,将其作为分类器引导去噪扩散模型在弱监督乳腺X线异常检测中的首次应用,并在约旦侯赛因国王癌症中心(KHCC)的真实世界临床队列上进行训练和验证。

研究人员利用KHCC提供的3013张全视野数字乳腺X线摄影(FFDM)图像,来自806例患者,按患者级别分层划分为训练集(2467张)、验证集(242张)和留存测试集(304张)。主要技术方法包括:使用线性噪声调度的DDPM作为生成骨干;通过确定性反向DDIM常微分方程将输入图像编码为噪声潜在表示;训练一个噪声条件二元分类器,其梯度在去噪过程中引导图像向健康类别流形平移,从而重建反事实健康图像;计算输入与重建的逐像素绝对差得到异常图,并采用空间平均池化获得图像级异常分数;提出健康平移指数(HSI)作为语义可解释性指标。在验证集上对噪声水平L∈{250,500,750}和梯度尺度s∈{50,100,200}进行3×3消融,选择最优超参数,并与简化PatchCore风格基线和监督式ResNet-50参考进行比较。

**4.1 实验设置**:研究人员在两张NVIDIA RTX 4090 GPU上训练DDPM骨干(1.137亿参数)和噪声条件分类器(545万参数),均采用V1线性噪声调度,T=1000步。数据集划分严格按患者级别,确保无跨集数据泄漏。

**4.2 验证集上的超参数消融**:9种配置的验证集AUROC显示,在s=50时AUROC随L单调递增,从L=250的0.6977升至L=750的0.7343;较低梯度尺度s=50在所有L下均优于s=100和s=200。最优配置(L=750, s=50)的验证AUROC为0.7343,每图推理耗时约84秒。

**4.3 最终测试集评估**:在留存测试集(n=304)上,最优配置取得AUROC=0.7246 [95% CI: 0.6685, 0.7825],约登阈值下敏感度0.6013,特异度0.7417。性能足以作为概念验证,但远未达到临床可部署水平。

**4.4 与基线方法的比较**:MammoDiff的AUROC(0.7246)比简化PatchCore风格基线(0.6634)高6.1个百分点,但低于监督式ResNet-50(0.8100)8.5个百分点。MammoDiff提供了ResNet-50不具备的定性空间异常可视化和HSI内部一致性检查。

**4.5 临床工作点与分流分析**:在80%固定特异度下,MammoDiff敏感度为0.471,高于简化基线的0.386;在90%特异度下为0.327对0.261。在三档分流中,前20%最高分病例可捕获31.4%的恶性病例,前30%可捕获43.8%,均优于简化基线,但不如ResNet-50。

**4.6 引导平移的内部一致性:健康平移指数**:恶性病例中p(HSI>0)=94.8%,正常病例中为87.4%,表明分类器梯度对所有输入均施加强制健康方向压力。恶性HSI均值(7.327 logit)与正常HSI均值(4.369 logit)相差2.958 logit,中位数相差3.187 logit。比例差异为7.4个百分点(Newcombe 95% CI: 0.9–14.1; OR=2.61; Fisher p=0.027),统计上可检出但较弱,提示HSI在分布层面分离类别,而不能作为单病例判别器。

**4.7 测试集异常图的定性分析**:恶性病例的异常图显示空间连贯的高强度区域,形态类似可疑病变;正常病例异常图近零。但缺乏像素级病变标注,异常图仅作为定性空间可视化,而非经过验证的定位方法。

**4.8 总结与讨论**:MammoDiff确立了弱监督设置下的图像级判别、定性空间可视化和内部一致性检查三重能力。限制包括单中心设计、256×256分辨率损失微钙化信号、无定量定位验证、推理时间长(约84秒/图)、测试集样本量有限,以及标签为放射科报告性质而非组织病理学。其中最关键的是缺乏外部验证,结果应视为对KHCC-Mammo队列的表征而非普适性能。

**4.9 高分辨率敏感性分析**:将图像分割为512×512非重叠补丁并独立处理,无论使用整图模型还是补丁重训练模型,图像级AUROC均未超过主配置(分别为0.6943和0.7000,均低于0.7246)。补丁训练使95分位池化优于均值池化,表明异常图更集中,但不足以提升整体判别力。进一步发现整图分类器在低噪声下准确率达99.8%,而补丁分类器仅70.3%,提示瓶颈在于图像级标签向补丁传播导致的标签噪声,而非分辨率本身。

**4.10 计算可行性与部署约束**:在选定的(L=750, s=50)配置下,单张图像约需84秒,KHCC一个筛查日约400张图像需约9.3小时连续计算。方法在现有硬件上勉强可运行,但缺乏余量,不适合国家筛查项目。可行的加速路径包括DDIM步长压缩、潜在扩散或仅对分流子集运行。

**5 结论**:研究人员提出了MammoDiff,一个基于分类器引导去噪扩散概率模型的弱监督乳腺X线异常检测框架,在KHCC-Mammo测试集上取得AUROC=0.7246,超过简化PatchCore基线6.1个百分点,p(HSI>0)=94.8%表明多数恶性病例成功向健康类平移。该研究将MammoDiff定位为概念验证和可复现基线,而非临床部署系统:约登阈值下敏感度0.6013、缺乏定量定位验证、单中心无外部验证、约84秒的推理时间均排除其当前临床用途。未来工作将聚焦外部多中心验证、像素级病变标注、替代异常分数聚合策略以及推理加速。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号