DBT-DINO：面向数字乳腿断层扫描的基于基础模型分析
摘要
基础模型在医学影像中显示出前景，但对于三维成像模态模式仍未得到充分探索。目前尚无针对数字乳腿断层扫描(DBT)的基础模型存在，尽管该技术用于乳腺癌筛查。为开发和评估面向 DBT 的基础模型(DBT-DINO)，并衡量领域特定预训练的影响。我们采用 DINOv2 方法对来自 27,990 名患者、487,975 个 DBT 体积（共 2500 万个 2D 切片）进行自监督预训练。评估了三个下游任务：（1）使用 5000 例筛查检查进行乳房密度分类；（2）使用 106,417 例筛查检查预测 5 年乳腺癌风险；（3）使用 393 例标注体积进行病灶检测。对于乳房密度分类，DBT-DINO 达到准确率为 0.79（95% 置信区间：0.76--0.81），优于 MetaAI DINOv2 基线（0.73，95% 置信区间：0.70--0.76，p<.001）和 DenseNet-121（0.74，95% 置信区间：0.71--0.76，p<.001）。对于 5 年乳腺癌风险预测，DBT-DINO 达到 AUROC 为 0.78（95% 置信区间：0.76--0.80），而 DINOv2 为 0.76（95% 置信区间：0.74--0.78，p=.57）。对于病灶检测，DINOv2 的平均灵敏度为 0.67（95% 置信区间：0.60--0.74），优于 DBT-DINO 的 0.62（95% 置信区间：0.53--0.71，p=.60）。DBT-DINO 在癌症病灶上的检测率为 78.8%，优于 Dinov2 的 77.3%。使用规模空前的数据集，我们开发了 DBT-DINO，首个针对 DBT 的基础模型。DBT-DINO 在乳房密度分类和癌症风险预测方面表现出强性能，但领域特定预训练在检测任务中显示出变量效应，ImageNet 基线在一般病灶检测方面优于 DBT-DINO，表明局部化检测任务需要进一步的方法学发展。
引用
@article{arxiv.2512.13608,
title = {DBT-DINO: Towards Foundation model based analysis of Digital Breast Tomosynthesis},
author = {Felix J. Dorfner and Manon A. Dorster and Ryan Connolly and Oscar Gentilhomme and Edward Gibbs and Steven Graham and Seth Wander and Thomas Schultz and Manisha Bahl and Dania Daye and Albert E. Kim and Christopher P. Bridge},
journal= {arXiv preprint arXiv:2512.13608},
year = {2025}
}