面向乳腿成像的可解释AI方法：为多样化人群适配基础模型
计算机视觉与模式识别
2025-11-25 v1 人工智能
摘要
基础模型为专业医学成像任务展现了潜力，但其在乳腿成像中的有效性仍未得到充分探索。本研究利用 BiomedCLIP 作为基础模型来解决模型泛化性的挑战。BiomedCLIP 被适配用于自动 BI-RADS 乳腿密度分类，使用多模态乳腿成像数据(合成 2D 图像、数字乳腺片片、数字乳腺断层扫描)。使用 96,995 张图像，我们比较了单模态(s2D 仅)和多模态训练方法，通过加权对比学习解决类别不平衡问题。两种方法的准确率相似(多模态: 0.74, 单模态: 0.73)，但多模态模型在不同成像模态上具有更广泛的适用性，并且在所有 BI-RADS 类别中 AUC 值始终高于 0.84。在 RSNA 和 EMBED 数据集上的外部验证显示，模型具有强大的泛化能力(AUC 范围: 0.80-0.93)。GradCAM 可视化确认了一致且临床相关的注意力模式，凸显了模型的可解释性和鲁棒性。这项研究强调了基础模型在乳腿成像应用中的潜力，为未来的诊断任务扩展铺平了道路。
关键词
引用
@article{arxiv.2511.17828,
title = {Toward explainable AI approaches for breast imaging: adapting foundation models to diverse populations},
author = {Guilherme J. Cavalcante and José Gabriel A. Moreira and Gabriel A. B. do Nascimento and Vincent Dong and Alex Nguyen and Thaís G. do Rêgo and Yuri Malheiros and Telmo M. Silva Filho and Carla R. Zeballos Torrez and James C. Gee and Anne Marie McCarthy and Andrew D. A. Maidment and Bruno Barufaldi},
journal= {arXiv preprint arXiv:2511.17828},
year = {2025}
}
备注
5 pages, 3 figures