基于 Transformer 的乳腺病灶分类：BreastDCEDL_AMBL 数据集基准与 0.92 AUC 水平
人工智能
2025-10-07 v2
摘要
乳腺磁共振成像是癌症检测和治疗规划的关键工具，但因特异性差导致假阳性率高、不必要的活检增多。本研究引入基于 Transformer 的框架，用于动态增强对比 MRI 中乳腺病灶的自动分类，解决区分良性与恶性病灶的挑战。我们实现了 SegFormer 架构，达到 0.92 的 AUC 进行病灶级别分类，患者级别下灵敏度为 100%，特异度为 67%——可在不遗漏恶性病灶的前提下消除三分之一的不必要活检。该模型通过语义分割量化恶性像素分布，生成可解释的空间预测，支持临床决策。为建立可复现的基准，我们整理了 BreastDCEDL_AMBL，将 The Cancer Imaging Archive 的 AMBL 集合转化为标准化深度学习数据集，包含 88 名患者和 133 个标注病灶（89 个良性、44 个恶性）。该资源弥补了现有公共数据集缺乏良性病灶注释的关键基础设施缺口，限制了良性-恶性分类研究的开展。训练期间整合了超过 1,200 名患者的数据，通过与 BreastDCEDL 数据集集成验证了迁移学习方法 despite 主要肿瘤仅标注。公开发布的数据集、模型和评估协议提供了首个 DCE-MRI 病灶分类的标准化基准，为向临床部署迈进提供了方法论基础。
引用
@article{arxiv.2509.26440,
title = {Transformer Classification of Breast Lesions: The BreastDCEDL_AMBL Benchmark Dataset and 0.92 AUC Baseline},
author = {Naomi Fridman and Anat Goldstein},
journal= {arXiv preprint arXiv:2509.26440},
year = {2025}
}