乳腺癌中的热信号特征：通过深度学习和可解释人工智能技术解读潜在生物标志物

《Journal of Thermal Biology》：Thermal Signatures in Breast Cancer: Deciphering Latent Biomarkers through Deep Learning and Explainable AI

本研究利用卷积神经网络分析公开视觉DMR数据集，构建高精度乳腺癌热成像筛查模型。经测试，模型准确率达92.7%，AUROC达99.63%，并借助SHAP可解释性分析提升决策透明度。该成果为热成像作为 mammography 辅助工具提供了新证据，尤其在致密乳腺筛查中具有应用潜力。

　　

萨钦·坎萨尔（Sachin Kansal）| 西姆兰吉特·考尔（Simranjit Kaur）| 阿尔纳夫·贾因（Arnav Jain）| 索米娅·班萨尔（Somya Bansal）| 曼西·甘比尔（Mansi Gambhir）

印度旁遮普邦帕蒂亚拉市塔帕尔工程技术学院（Thapar Institute of Engineering Technology）计算机科学与工程系新兴材料卓越中心（Centre of Excellence in Emerging Materials, Department of Computer Science Engineering, Thapar Institute of Engineering Technology, Patiala, Punjab, India）

摘要

乳腺癌以其侵袭性的进展和高死亡率而著称，仍然是最常见的癌症类型之一。虽然早期检测能显著提高生存率，但目前的标准诊断工具——乳腺X光摄影（mammography）存在成本高昂和辐射暴露等局限性。热成像（thermography）作为一种有前景的替代方案，提供了一种非侵入性和成本效益高的筛查方法。本研究旨在基于卷积神经网络（convolutional neural networks）开发机器学习模型，通过分析Visual DMR数据集中的多张乳腺热成像图像来检测癌症。我们的研究方法利用了先进的图像分析技术来提高诊断准确性。研究结果表明，该方法具有出色的模型性能，凸显了基于图像的诊断技术在获得可靠结果方面的有效性。通过广泛的实验和仔细的模型选择，我们最终确定了一种具有优异诊断性能的架构。经过微调的VGG16模型在训练阶段的准确率为95.86%，接收者操作特征曲线下面积（Area Under the Receiver Operating Characteristic Curve, AUROC）为99.63%，测试阶段的准确率为92.7%。关键指标包括F1分数91.73%、精确度91.04%和敏感性92.42%。这些结果证明了该模型的稳健性和可靠性，使其成为准确识别病例的有希望的工具。通过使用可解释人工智能（Explainable AI, SHAP）技术，进一步增强了模型的可解释性，为模型的决策过程提供了清晰的洞察。鉴于热成像在乳腺癌诊断中的应用仍然不足，且公开可用的数据集有限，本研究为支持其作为可行筛查方法的潜力提供了更多证据，并旨在激发该领域的进一步研究。

章节摘录

引言

乳腺癌是全球女性中最普遍且威胁生命的恶性肿瘤之一。及时准确的诊断至关重要，因为早期发现能显著提高生存率和治疗效果。目前，乳腺X光摄影是乳腺癌筛查的临床金标准，在不同人群中的敏感性为75-90%。然而，某些患者群体面临诊断挑战，尤其是乳腺密度较高的女性。

材料

热成像系统的基本组成部分包括一个红外相机和一个用于热成像可视化的显示单元。相机分辨率和热灵敏度是这些系统中的关键性能参数。早期设备体积较大，需要液氮冷却来减少热伪影。然而，非制冷红外技术的发展以及微测辐射热计传感器的创新

结果概述

在这项研究中，我们考察了多种广泛应用于计算机视觉的卷积神经网络架构。MobileNet专为移动设备和资源受限的环境设计，通过深度可分离卷积（depthwise separable convolutions）减少计算量和模型大小，同时保持高准确率。MobileNetV1和MobileNetV2等变体在此基础上进行了改进。EfficientNet引入了一种复合缩放方法，平衡了模型的深度、宽度和分辨率

结论

总之，本研究通过三项关键贡献推动了热成像作为乳腺癌检测的潜在补充工具的发展，填补了现有文献中的关键空白。尽管乳腺X光摄影仍然是具有广泛适用性和稳定敏感性的临床金标准，但我们的研究表明，结合深度学习的热成像可以作为一种辅助筛查手段，特别是在乳腺X光摄影难以应用的群体中。

作者贡献声明

曼西·甘比尔（Mansi Gambhir）：撰写原始稿件、数据可视化、方法论设计、数据整理。索米娅·班萨尔（Somya Bansal）：撰写原始稿件、数据可视化、方法论设计、数据整理。西姆兰吉特·考尔（Simranjit Kaur）：审稿与编辑、撰写原始稿件、验证工作、研究指导、概念构思。阿尔纳夫·贾因（Arnav Jain）：撰写原始稿件、数据可视化、资源协调、方法论设计。萨钦·坎萨尔（Sachin Kansal）：撰写原始稿件、验证工作、研究指导、概念构思

数据来源

用于获取研究结果的数据来自公开可用的Visual DMR数据集

声明

作者声明他们没有已知的财务利益冲突或可能影响本文研究的个人关系。

利益冲突

作者不存在任何利益冲突。

数据集

本研究使用了公开可用的数据集（https://visual.ic.uff.br/dmi/）。

科学写作中生成式人工智能的声明

在准备本研究的过程中，作者使用了ChatGPT工具辅助写作。使用该工具/服务后，作者对内容进行了必要的审查和编辑，并对最终发表的文章内容承担全部责任。

资金支持

本研究未获得任何资金支持。

利益冲突声明

本研究未报告任何利益冲突。

致谢

我们感谢旁遮普邦帕蒂亚拉市塔帕尔工程技术学院（Thapar Institute of Engineering Technology）的计算机科学与工程系提供的支持。