用于早期乳腺癌检测的 3D 医学影像分析：技术、数据集与挑战

摘要

早期乳腺癌检测是降低患者死亡率、改善预后的关键，但传统影像诊断（如钼靶、超声）受限于二维成像的信息缺失，易出现误诊或漏诊。近年来，3D 医学影像技术（如动态对比增强磁共振成像，DCE-MRI；数字乳腺断层合成，DBT）凭借对乳腺结构的完整三维表征能力，成为早期乳腺癌检测的核心工具，而 3D 影像分析技术则为精准诊断提供了关键支撑。本文系统综述了 3D 医学影像在早期乳腺癌检测中的应用，重点梳理了相关技术框架、数据集与现存挑战。首先，概述乳腺癌的临床背景与 3D 影像技术的优势，明确 3D 影像分析在病灶定位、良恶性鉴别中的核心价值；其次，按 “数据预处理 – 特征提取 – 模型构建 – 性能评估” 的技术流程，分类阐述主流方法（传统机器学习、深度学习）的原理与应用场景，尤其聚焦 Transformer、扩散模型等新兴深度学习架构在 3D 影像中的适配与优化；再次，整理当前公开的 3D 乳腺影像数据集（含模态、样本量、标注信息等关键属性），分析数据稀缺性、标注成本高对技术落地的制约；最后，总结 3D 影像分析面临的核心挑战（如小病灶检测精度、跨模态数据融合、临床可解释性），并展望未来发展方向（如多模态大模型、联邦学习、低剂量成像与分析结合）。本文旨在为医学影像研究者、临床医生提供 3D 乳腺影像分析的全景视图，推动技术与临床的深度融合，助力早期乳腺癌检测的精准化与标准化。

1 引言（Introduction）

乳腺癌是全球女性发病率最高的恶性肿瘤，据世界卫生组织（WHO）统计，2023 年全球新增乳腺癌病例超 230 万，死亡病例近 70 万 [1]。临床实践表明，若在肿瘤直径＜2cm、无淋巴结转移的早期阶段确诊，患者 5 年生存率可提升至 95% 以上；而晚期确诊患者的 5 年生存率仅约 27%[2]。因此，早期检测是改善乳腺癌患者生存质量的核心突破口。

传统早期乳腺癌检测依赖二维（2D）影像技术，如乳腺钼靶（X 线成像）、超声成像：

• 乳腺钼靶是筛查首选，但其对致密型乳腺（亚洲女性占比超 60%）的病灶分辨率低，易因组织重叠掩盖微小肿瘤 [3]；
• 超声虽无辐射且对致密乳腺适配性更好，但受操作者经验影响大，对＜5mm 的微小病灶漏诊率可达 30%[4]。

3D 医学影像技术的出现解决了 2D 成像的 “信息丢失” 问题：

• 数字乳腺断层合成（DBT）：通过多角度 X 线扫描重建乳腺三维结构，可减少组织重叠干扰，微小病灶检出率较钼靶提升 20%-30%[5]；
• 动态对比增强磁共振成像（DCE-MRI）：利用对比剂动态追踪乳腺血流变化，不仅能清晰显示病灶形态，还可通过 “血流动力学参数”（如强化峰值、达峰时间）区分良恶性肿瘤，对早期原位癌（如导管原位癌）的检出率优势显著 [6]；
• 乳腺超声断层成像（BTUS）：结合超声的无辐射优势与 3D 结构表征能力，适用于钼靶禁忌人群（如孕妇、哺乳期女性），但目前临床应用较少 [7]。

随着计算机视觉与深度学习技术的发展，3D 乳腺影像分析已从 “人工辅助阅片” 向 “智能诊断决策” 演进：从早期基于纹理、形状的传统特征提取，到如今基于 3D 卷积神经网络（3D CNN）、Transformer 的端到端病灶检测与分类，技术精度持续逼近临床专家水平 [8]。然而，3D 影像分析仍面临诸多挑战：3D 数据量庞大导致的 “计算成本高”、公开数据集稀缺导致的 “模型泛化性差”、病灶与正常组织边界模糊导致的 “小病灶漏诊”，以及模型决策过程不透明导致的 “临床信任度低” 等 [9]。

本文的结构安排如下：第 2 章梳理 3D 乳腺影像分析的技术框架，按流程拆解关键步骤与主流方法；第 3 章汇总当前公开的 3D 乳腺影像数据集，分析数据特性与应用场景；第 4 章总结技术落地的核心挑战；第 5 章展望未来发展方向；第 6 章为结论。

2 3D 乳腺影像分析技术框架（Technical Framework of 3D Breast Image Analysis）

3D 乳腺影像分析的核心目标是 “从 3D 影像中精准定位病灶，并判断其良恶性”，技术流程可分为数据预处理、病灶检测与分割、病灶分类与良恶性鉴别、性能评估四个关键环节（图 1）。本节将按流程阐述各环节的核心任务、技术难点与主流方法。

2.1 数据预处理（Data Preprocessing）

3D 乳腺影像原始数据存在 “噪声干扰、模态差异、个体差异” 等问题，预处理的目标是 “提升数据质量，降低后续分析难度”，核心任务包括：图像去噪、模态标准化、图像配准、感兴趣区域（ROI）提取。

2.1.1 图像去噪（Image Denoising）

3D 影像噪声来源因模态而异：

• DBT 与钼靶类似，存在 X 线量子噪声，传统方法（如高斯滤波、中值滤波）易模糊病灶细节；
• DCE-MRI 受运动伪影（如呼吸、心跳）与设备噪声影响，动态序列中易出现 “帧间不一致”；
• BTUS 受超声探头噪声与组织散射影响，图像信噪比（SNR）较低。

近年来，基于深度学习的去噪方法成为主流：

• 3D 卷积自编码器（3D CAE）：通过编码器压缩 3D 影像特征，解码器重构去噪后图像，在 DCE-MRI 运动伪影去除中，峰值信噪比（PSNR）较传统方法提升 1.5-2.3dB [10]；
• 扩散模型（Diffusion Models）：利用 “逐步去噪” 机制学习影像的真实分布，在 DBT 低剂量成像去噪中，可在降低辐射剂量 30% 的同时，保持病灶细节清晰度 [11]；
• 注意力机制辅助去噪：如 3D U-Net 结合注意力模块，可聚焦噪声区域，避免对病灶特征的过度平滑 [12]。

2.1.2 模态标准化（Modality Normalization）

不同设备、不同扫描参数会导致同一模态影像的 “灰度分布差异”（如不同医院的 DCE-MRI 对比剂注射速率不同，强化信号强度差异显著），需通过标准化消除系统误差。主流方法包括：

• 灰度归一化：将影像灰度值映射到固定范围（如 [0,1] 或 [-1,1]），常用方法有最小 – 最大归一化（Min-Max）、Z-score 标准化；
• 直方图匹配：将待处理影像的灰度直方图调整为 “标准模板”（如某权威医院的影像直方图），减少设备差异影响 [13]；
• 领域自适应（Domain Adaptation）：针对跨设备数据，通过迁移学习将源域（如 A 医院数据）的特征分布迁移到目标域（如 B 医院数据），典型方法有领域对抗神经网络（DANN）[14]。

2.1.3 图像配准（Image Registration）

在多模态融合分析（如 DCE-MRI 与 DBT 结合）或动态序列分析（如 DCE-MRI 的多时间点扫描）中，需通过配准实现 “空间对齐”：

• 刚性配准：适用于同一患者的不同模态静态影像（如 DBT 与超声），通过平移、旋转实现空间对齐，常用算法有迭代最近点（ICP）、归一化互相关（NCC）[15]；
• 非刚性配准：适用于动态序列（如 DCE-MRI 的多帧影像）或不同患者的影像对比，需考虑组织形变（如呼吸导致的乳腺位置变化），主流方法有基于 B 样条的自由形变模型（FFD）、基于深度学习的端到端配准（如 VoxelMorph）[16]。

2.1.4 感兴趣区域（ROI）提取（ROI Extraction）

3D 乳腺影像包含大量冗余信息（如脂肪组织、胸壁），ROI 提取可 “聚焦乳腺实质区域”，减少后续计算量。核心方法包括：

• 阈值分割：利用乳腺实质与脂肪组织的灰度差异（如 DBT 中乳腺实质灰度高于脂肪），通过 Otsu 自适应阈值分离实质区域 [17]；
• 形态学操作：结合膨胀、腐蚀等操作去除小面积噪声区域，保留完整乳腺实质 [18]；
• 深度学习分割：如 3D U-Net 及其变体（如 3D ResU-Net），可直接从 3D 影像中端到端分割乳腺实质，在 DCE-MRI 中 Dice 相似系数（DSC）可达 0.92 以上 [19]。

2.2 病灶检测与分割（Lesion Detection and Segmentation）

病灶检测与分割是 3D 影像分析的核心环节：“检测” 旨在定位病灶的大致区域，“分割” 则需精确勾勒病灶边界，为后续良恶性鉴别提供细节特征。

2.2.1 病灶检测（Lesion Detection）

3D 乳腺病灶检测面临两大难点：一是病灶体积小（早期肿瘤直径常＜1cm，在 3D 影像中仅占数十至数百个体素）；二是病灶与正常组织灰度差异小（如导管原位癌与正常导管组织边界模糊）。主流方法可分为传统机器学习与深度学习两类。

• 传统机器学习方法：依赖手工设计特征，流程为 “候选区域生成 – 特征提取 – 分类器筛选”：
  1. 候选区域生成：通过滑动窗口（Sliding Window）遍历 3D 影像，或利用灰度阈值、形态学操作生成疑似病灶区域；
  2. 特征提取：提取病灶的纹理特征（如灰度共生矩阵，GLCM）、形状特征（如体积、球形度）、密度特征（如 CT 值 / 信号强度均值）[20]；
  3. 分类器筛选：使用支持向量机（SVM）、随机森林（RF）等分类器区分 “真病灶” 与 “假阳性区域”[21]。传统方法的局限性在于：手工特征对模糊病灶适配性差，且滑动窗口遍历 3D 影像的计算成本极高（如 3D 影像尺寸为 512×512×128 时，滑动窗口数量可达百万级）。
• 深度学习方法：基于 3D 卷积网络实现 “端到端检测”，大幅提升效率与精度：
  1. 3D 单阶段检测模型：如 3D YOLO、3D RetinaNet，直接从 3D 影像中预测病灶的位置与类别，优势是速度快，适用于实时检测场景。例如，3D YOLOv5 在 DBT 数据集上的病灶检测平均精度（mAP）达 0.78，推理时间较传统方法缩短 80%[22]；
  2. 3D 两阶段检测模型：如 3D Faster R-CNN，先通过区域提议网络（RPN）生成少量候选区域，再进行精细分类与边界框回归，优势是精度高，适用于小病灶检测。例如，基于 3D Faster R-CNN 的 DCE-MRI 病灶检测模型，对直径＜5mm 病灶的检出率达 0.72，较单阶段模型提升 15%[23]；
  3. Transformer-based 检测模型：如 3D DETR，通过自注意力机制捕捉 3D 影像的全局特征，解决 “病灶与正常组织边界模糊” 问题。在 DCE-MRI 动态序列中，3D DETR 可结合多时间点特征，病灶检测假阳性率较 3D Faster R-CNN 降低 20%[24]。

2.2.2 病灶分割（Lesion Segmentation）

病灶分割需精确提取病灶的三维轮廓，为后续特征分析（如体积变化、强化模式）提供基础。主流方法以深度学习为主，核心是 “利用 3D 网络捕捉病灶的空间结构信息”。

• 3D U-Net 及其变体：3D U-Net 是医学影像分割的经典架构，通过 “编码器 – 解码器” 结构实现多尺度特征融合：编码器下采样捕捉全局上下文信息，解码器上采样恢复空间分辨率，跳跃连接（Skip Connection）保留细节特征 [25]。为提升分割精度，研究者提出多种改进：
  • 3D ResU-Net：引入残差连接解决深层网络梯度消失问题，在 DCE-MRI 病灶分割中 DSC 达 0.89 [26]；
  • 3D Attention U-Net：在解码器中加入注意力模块，聚焦病灶区域，减少正常组织干扰，在 DBT 小病灶分割中 DSC 提升至 0.85 [27]；
  • 3D TransU-Net：将 Transformer 融入 3D U-Net，利用自注意力机制捕捉病灶的长距离依赖关系，适用于形态不规则的病灶（如浸润性导管癌）[28]。
• 基于扩散模型的分割：扩散模型通过 “逐步生成病灶掩码” 实现分割，优势是对噪声鲁棒性强。例如，3D DiffusionSeg 在 DCE-MRI 病灶分割中，面对运动伪影时 DSC 仍能保持 0.83，较 3D U-Net 提升 8%[29]。
• 弱监督分割：针对 “3D 影像全标注成本高” 的问题，弱监督分割仅需 “病灶中心点” 或 “粗略边界框” 标注即可训练模型。例如，基于 3D 种子点（Seed Point）的弱监督分割模型，在仅标注病灶中心点的情况下，DCE-MRI 病灶分割 DSC 达 0.81，接近全监督模型性能 [30]。

2.3 病灶分类与良恶性鉴别（Lesion Classification and Benign-Malignant Discrimination）

病灶分类的核心是 “基于分割后的病灶特征，判断其良恶性”，部分模型还可进一步细分肿瘤亚型（如导管原位癌、浸润性小叶癌）。特征来源可分为 “影像特征” 与 “临床特征”，模型架构则以深度学习为主。

2.3.1 特征类型

• 影像特征：
  1. 形态学特征：如病灶体积、表面粗糙度、边缘规则性（恶性肿瘤多呈毛刺状边缘）；
  2. 纹理特征：如 3D 灰度共生矩阵（3D GLCM）、3D 局部二值模式（3D LBP），反映病灶内部灰度分布的均匀性（恶性肿瘤纹理多不均匀）；
  3. 功能特征：仅适用于动态影像（如 DCE-MRI），包括血流动力学参数（强化峰值、达峰时间、洗出率）—— 恶性肿瘤因血管丰富，通常表现为 “快速强化、快速洗出”，而良性病灶多为 “缓慢强化、持续强化”[31]。
• 临床特征：如患者年龄（乳腺癌高发于 45-65 岁）、家族病史、乳腺密度（致密乳腺患者恶性风险更高），将临床特征与影像特征融合可提升分类精度 [32]。

2.3.2 分类模型

• 3D 卷积分类模型：直接从 3D 病灶区域提取特征并分类，典型架构包括 3D CNN、3D ResNet、3D DenseNet。例如，3D ResNet-50 在 DCE-MRI 病灶良恶性分类中，准确率达 0.91，灵敏度（恶性检出率）达 0.93 [33]；3D DenseNet 通过密集连接捕捉细粒度特征，在 DBT 亚型分类中（区分导管原位癌与浸润性癌）准确率达 0.88 [34]。
• 多模态融合分类模型：融合不同模态的互补信息（如 DBT 的结构特征与 DCE-MRI 的功能特征），提升分类鲁棒性。主流融合方式包括：
  • 早期融合：在输入层拼接多模态 3D 影像，再通过 3D CNN 提取特征；
  • 晚期融合：分别提取各模态特征，再通过全连接层融合后分类；
  • 注意力融合：利用注意力机制动态分配各模态的权重，如在 “DBT+DCE-MRI” 融合模型中，注意力模块可在病灶边界模糊时，增加 DCE-MRI 功能特征的权重，分类准确率较单模态提升 7%-10%[35]。
• Transformer-based 分类模型：利用自注意力机制捕捉病灶的全局特征，适用于 “特征分布不均” 的场景。例如，3D ViT（Vision Transformer）在 DCE-MRI 病灶分类中，通过将 3D 病灶划分为 “体素块（Voxel Patch）”，捕捉块间依赖关系，准确率达 0.92，较 3D ResNet 提升 3%[36]；3D Swin Transformer 通过 “窗口注意力” 降低计算成本，在 DBT 分类中推理速度较 3D ViT 提升 2 倍 [37]。

2.4 性能评估（Performance Evaluation）

3D 乳腺影像分析的性能评估需结合 “医学诊断场景”，核心指标分为 “检测 / 分割指标” 与 “分类指标”，同时需考虑临床实用性（如灵敏度、特异度）。

2.4.1 检测 / 分割指标

• 病灶检测指标：
  • 平均精度（mAP）：衡量模型在不同置信度阈值下的检测精度，是目标检测的核心指标；
  • 灵敏度（Sensitivity）：真阳性（TP）占所有实际阳性（TP+FN）的比例，反映模型对病灶的检出能力（临床中需优先保证高灵敏度，避免漏诊）；
  • 假阳性率（FPR）：假阳性（FP）占所有实际阴性（FP+TN）的比例，反映模型的误诊风险。
• 病灶分割指标：
  • Dice 相似系数（DSC）：衡量分割结果与金标准（手动标注）的重叠程度，计算公式为\(DSC=2\times\frac{TP}{2\times TP+FP+FN}\)，取值范围 [0,1]，越接近 1 表示分割精度越高；
  • 交并比（IoU）：分割结果与金标准的交集占并集的比例，计算公式为\(IoU=\frac{TP}{TP+FP+FN}\)；
  • 豪斯多夫距离（HD）：衡量分割结果与金标准的最大距离，反映边界误差，单位为体素。

2.4.2 分类指标

• 准确率（Accuracy）：正确分类样本占总样本的比例，计算公式为\(Accuracy=\frac{TP+TN}{TP+TN+FP+FN}\)；
• 灵敏度（Sensitivity）：恶性肿瘤的正确检出率，计算公式为\(Sensitivity=\frac{TP}{TP+FN}\)；
• 特异度（Specificity）：良性病灶的正确判断率，计算公式为\(Specificity=\frac{TN}{TN+FP}\)；
• ROC 曲线与 AUC 值：ROC 曲线以假阳性率（FPR）为横轴、灵敏度（TPR）为纵轴，AUC 值为 ROC 曲线下面积，取值范围 [0.5,1]，越接近 1 表示分类性能越好。

2.4.3 临床实用性评估

除量化指标外，还需评估模型的临床适配性：

• 推理时间：3D 影像数据量大，需保证模型在临床设备上的实时性（如单例 DCE-MRI 分析时间＜5 分钟）；
• 鲁棒性：测试模型在不同设备、不同患者群体（如不同年龄、乳腺密度）上的性能稳定性；
• 可解释性：通过可视化工具（如 Grad-CAM、注意力热力图）展示模型的决策依据，提升临床医生信任度 [38]。

3 3D 乳腺影像数据集（3D Breast Image Datasets）

3D 乳腺影像分析的发展高度依赖高质量数据集，但由于 “医学数据隐私保护”“标注成本高”（3D 影像标注需放射科医生逐帧确认，单例标注时间可达数小时）等原因，公开数据集数量有限。本节汇总当前主流的 3D 乳腺影像数据集，按模态分类（DBT、DCE-MRI、多模态）整理关键信息（表 1 – 表 3），并分析数据集的优势与局限性。

3.1 数字乳腺断层合成（DBT）数据集

DBT 是目前临床筛查的主流 3D 模态，公开数据集以欧美人群为主，样本量较大，但亚洲人群数据稀缺。

优势：CBIS-DDSM、DBT-FOR-AI 样本量大，标注信息丰富，适用于模型训练与 benchmark 对比；ASIAN-DBT 填补了亚洲人群 DBT 数据的空白，有利于提升模型在亚洲临床场景的泛化性。

局限性：多数数据集仅包含 “肿块” 病灶标注，“钙化灶”（早期乳腺癌的重要标志物）标注较少；INBreast-DBT 样本量较小，不适用于大规模模型训练。

3.2 动态对比增强磁共振成像（DCE-MRI）数据集

DCE-MRI 具有 “功能 + 结构” 双重信息，公开数据集样本量较小，但标注精度高（多含分割掩码与血流动力学参数）。

优势：BreastMRI-NCI、ADMIRE 含血流动力学参数标注，适用于功能特征与影像特征融合的分类模型；MIRACLE 提供多模态配准标注，支持跨模态融合研究。

局限性：样本量普遍较小（＜1000 例），难以支撑大模型训练；China-Breast-MRI 仅半公开，获取难度较高。

3.3 多模态数据集（含 3D 模态）

多模态数据集结合不同模态的优势（如 DBT 的结构特征、DCE-MRI 的功能特征、超声的无辐射优势），但数量极少，标注成本极高。

优势：提供多模态协同分析的基础数据，可挖掘不同模态的互补价值（如 DBT 擅长检出钙化灶，DCE-MRI 擅长检出软组织病灶）。

局限性：样本量极小，且多模态配准标注存在 “人工误差”（不同模态的空间对齐难度高），难以支撑大规模模型训练。

3.4 数据集挑战与解决方案

当前 3D 乳腺影像数据集面临三大核心问题：

1. 样本量稀缺：多数公开数据集样本量＜2000 例，远低于自然图像数据集（如 ImageNet 含 1400 万样本）；
2. 人群代表性不足：欧美人群数据占比超 80%，亚洲人群数据稀缺，而亚洲女性乳腺密度更高，病灶特征与欧美人群存在差异 [49]；
3. 标注不完整：钙化灶、微小病灶（＜5mm）的标注极少，且多模态配准标注、病理结果关联标注（如术后病理与术前影像对应）缺失。

解决方案包括：

• 联邦学习（Federated Learning）：多中心医院在 “数据不离开本地” 的前提下联合训练模型，解决样本量稀缺问题 [50]；
• 合成数据生成：利用扩散模型、GANs 生成符合临床特征的 3D 乳腺影像（如合成亚洲人群 DBT 数据），补充真实数据 [51]；
• 半监督 / 弱监督学习：减少对全标注数据的依赖，利用少量标注数据与大量未标注数据训练模型 [52]。

4 核心挑战（Core Challenges）

尽管 3D 乳腺影像分析技术已取得显著进展，但在 “临床落地” 过程中仍面临诸多挑战，本节从技术、数据、临床三个维度总结核心问题。

4.1 技术挑战（Technical Challenges）

4.1.1 小病灶检测精度不足

早期乳腺癌病灶（如导管原位癌、微小浸润癌）体积小（直径＜5mm）、与正常组织灰度差异小，在 3D 影像中易被噪声或正常组织掩盖。现有模型对小病灶的检出率普遍低于大病灶：例如，在 DBT 数据集中，直径＞10mm 病灶的检出率可达 0.90，而直径＜5mm 病灶的检出率仅 0.65-0.75 [53]。核心原因包括：

• 3D 影像下采样过程中，小病灶特征易丢失；
• 现有模型多依赖 “局部特征”，难以捕捉小病灶与周围组织的细微关联（如导管原位癌与正常导管的纹理差异）；
• 训练数据中小病灶样本占比低，模型存在 “类别不平衡” 问题。

4.1.2 计算成本高与实时性差

3D 影像数据量远大于 2D 影像：例如，单例 DCE-MRI 的尺寸通常为 512×512×64×20（长 × 宽 × 高 × 时间帧），体素数量达 3.3×10^7，是 2D 影像（512×512）的 320 倍。这导致：

• 模型训练成本高：3D CNN 训练需占用大量 GPU 显存（如训练 3D ResNet-50 需 16GB 以上显存），训练周期长（单轮训练需数天至数周）；
• 临床推理速度慢：单例 3D 影像分析时间常＞10 分钟，无法满足临床 “实时阅片” 需求（临床医生单例影像阅片时间通常＜5 分钟）[54]。

4.1.3 跨模态与跨中心数据适配性差

• 跨模态适配性：不同 3D 模态（DBT、DCE-MRI）的影像特征差异大（如 DBT 为 X 线密度特征，DCE-MRI 为信号强度与动态特征），现有多模态融合模型难以有效对齐不同模态的特征分布，导致融合性能提升有限；
• 跨中心适配性：不同医院的设备型号、扫描参数（如 DBT 的层厚、DCE-MRI 的对比剂剂量）差异大，导致模型在 “源中心”（训练数据来源医院）性能优异，但在 “目标中心”（新医院）性能大幅下降（如准确率下降 10%-20%）[55]，即 “域偏移”（Domain Shift）问题。

4.2 数据挑战（Data Challenges）

4.2.1 数据隐私与合规性限制

医学影像涉及患者隐私，各国法规（如中国《个人信息保护法》、欧盟 GDPR）对数据共享的限制严格，导致跨机构数据流通困难。即使是公开数据集，也需经过 “去标识化” 处理（如删除患者姓名、ID），但仍存在隐私泄露风险，限制了数据的广泛使用 [56]。

4.2.2 标注成本高与标注误差

3D 乳腺影像标注需放射科医生具备丰富经验：例如，DCE-MRI 病灶分割需医生逐时间帧确认病灶边界，单例标注时间可达 2-3 小时，成本远高于 2D 影像（单例标注＜30 分钟）。此外，不同医生对 “模糊病灶” 的判断存在差异（如良恶性边界不清的病灶），导致标注存在 “人工误差”，影响模型训练精度 [57]。

4.2.3 数据分布不平衡

• 类别不平衡：乳腺癌发病率约为 1/8（欧美人群），导致数据集中 “良性病灶” 样本量远大于 “恶性病灶” 样本量（比例常达 5:1-10:1），模型易偏向预测 “良性”，导致恶性病灶漏诊；
• 病灶类型不平衡：数据集中 “肿块” 病灶样本占比超 80%，“钙化灶”“结构扭曲”（早期乳腺癌的重要征象）样本极少，导致模型对这些少见病灶的检出能力差 [58]。

4.3 临床挑战（Clinical Challenges）

4.3.1 模型可解释性差

现有深度学习模型多为 “黑箱”，决策过程不透明：例如，模型判断某病灶为恶性，但无法明确 “是基于病灶的毛刺边缘，还是基于 DCE-MRI 的快速强化特征”。临床医生需要 “可解释的决策依据” 以信任模型结果，而 “黑箱” 特性导致模型难以融入临床 workflow [59]。

4.3.2 临床验证不足

多数模型仅在公开数据集上进行 “离线验证”，未经过大规模、多中心的 “临床验证”（如在 10 家以上医院的真实临床场景中测试）。部分模型在公开数据集上性能优异（如准确率＞0.90），但在真实临床场景中，由于 “数据分布差异”“设备噪声”“患者个体差异” 等因素，性能大幅下降（如准确率降至 0.75 以下）[60]。

4.3.3 与临床 workflow 脱节

现有模型多聚焦于 “单一任务”（如仅做病灶检测，或仅做良恶性分类），而临床医生的阅片流程是 “多任务协同”（如先定位病灶，再观察形态与动态特征，结合临床病史判断良恶性，最后给出建议（如活检或随访））。模型未与临床 workflow 结合，导致 “技术无法落地”[61]。

5 未来发展方向（Future Directions）

针对上述挑战，结合医学影像技术与人工智能的发展趋势，本节提出 3D 乳腺影像分析的五大未来方向。

5.1 多模态大模型（Multimodal Large Models）

利用 “大模型” 的泛化能力与 “多模态” 的互补优势，构建 “3D 乳腺影像 + 临床数据 + 病理数据” 的多模态大模型：

• 数据层面：融合 DBT 的结构特征、DCE-MRI 的功能特征、超声的无辐射优势，以及临床数据（年龄、家族史）、病理数据（术后病理结果），构建 “多源信息协同” 的诊断模型；
• 模型层面：借鉴 ChatGPT、Med-PaLM 等通用大模型的思路，通过 “预训练 – 微调” 模式：在大规模未标注 3D 乳腺影像上进行预训练，学习通用影像特征；再在小规模标注数据上微调，适配具体任务（如病灶检测、分类）。多模态大模型可提升 “跨中心、跨模态” 的泛化性，例如，在预训练阶段融入多中心数据，可缓解 “域偏移” 问题 [62]。

5.2 高效 3D 模型与硬件加速（Efficient 3D Models and Hardware Acceleration）

为解决 “计算成本高、实时性差” 问题，需从 “模型压缩” 与 “硬件加速” 两方面突破：

• 模型压缩：通过轻量化架构（如 3D MobileNet、3D ShuffleNet）、剪枝（Pruning）、量化（Quantization）减少模型参数与计算量。例如，3D MobileNet 通过深度可分离卷积，计算量较 3D ResNet 减少 80%，推理时间缩短至 3 分钟以内 [63]；
• 硬件加速：利用专用芯片（如 FPGA、ASIC）或 GPU 并行计算优化 3D 影像处理流程。例如，基于 FPGA 的 3D CNN 加速架构，可将 DCE-MRI 病灶检测推理时间缩短至 1.5 分钟 [64]。

5.3 小样本与弱监督学习（Few-Shot and Weakly Supervised Learning）

针对 “数据稀缺、标注成本高” 问题，小样本与弱监督学习是关键方向：

• 小样本学习：利用 “元学习”（Meta-Learning）或 “迁移学习”，在少量标注数据（如每类病灶仅 10-20 例）上训练模型。例如，基于元学习的 3D 病灶检测模型，在仅 50 例标注数据的情况下，mAP 达 0.72，接近传统模型在 1000 例数据上的性能 [65]；
• 弱监督学习：利用 “弱标注” 数据（如病灶中心点、边界框、文本报告）训练模型，减少对全标注数据的依赖。例如，基于 “影像报告匹配” 的弱监督模型，通过 DCE-MRI 影像与放射科报告的文本 – 影像对齐，实现无病灶标注的良恶性分类，准确率达 0.85 [66]。

5.4 临床可解释性增强（Clinical Interpretability Enhancement）

通过 “可视化工具” 与 “因果推理” 提升模型可解释性：

• 可视化工具：改进 Grad-CAM、注意力热力图等工具，使其适配 3D 影像，直观展示模型关注的病灶区域（如 3D Grad-CAM 可生成病灶的三维热力图，显示模型判断良恶性的关键部位）[67]；
• 因果推理：引入因果图（Causal Graph）分析 “影像特征与诊断结果的因果关系”，而非仅依赖相关性。例如，通过因果推理确定 “毛刺边缘” 是导致模型判断恶性的 “因”，而非偶然相关的 “噪声特征”，提升临床信任度 [68]。

5.5 低剂量成像与分析结合（Combination of Low-Dose Imaging and Analysis）

为减少辐射风险（如 DBT 的 X 线辐射），低剂量成像技术是临床发展趋势，需同步优化低剂量 3D 影像的分析方法：

• 低剂量成像优化：通过设备改进（如新型探测器）或扫描参数调整（如降低管电流）减少辐射剂量；
• 低剂量影像分析：开发鲁棒的去噪与特征提取模型，在低剂量影像中保持病灶检测精度。例如，基于扩散模型的低剂量 DBT 分析模型，可在辐射剂量降低 40% 的情况下，病灶检出率仅下降 3%[69]。

6 结论（Conclusion）

3D 医学影像技术（如 DBT、DCE-MRI）为早期乳腺癌检测提供了 “完整的三维结构与功能信息”，而 3D 影像分析技术则通过计算机视觉与深度学习，实现了从 “人工阅片” 到 “智能辅助诊断” 的跨越。本文系统梳理了 3D 乳腺影像分析的技术框架（数据预处理、病灶检测与分割、病灶分类、性能评估）、公开数据集与核心挑战，展望了多模态大模型、高效 3D 模型、可解释性增强等未来方向。

当前，3D 乳腺影像分析仍面临 “小病灶检测精度不足”“数据稀缺”“临床可解释性差” 等挑战，需通过 “技术创新”（如高效 3D 模型、因果推理）、“数据协同”（如联邦学习、合成数据）、“临床融合”（如适配临床 workflow）三方面突破。未来，随着技术与临床的深度结合，3D 乳腺影像分析有望成为早期乳腺癌检测的 “标准工具”，为实现 “精准筛查、早诊早治” 提供关键支撑，最终降低乳腺癌患者的死亡率，改善全球女性健康水平。

文章来源：

https://arxiv.org/html/2510.09492v1