基于机器学习算法的乳腺癌乳腺X线影像检测：一项对比研究

乳腺癌是全球女性中最常见的癌症类型，2018年约占新发癌症病例的12%以及癌症相关死亡病例的6.5%。乳腺X线摄影筛查在乳腺癌的早期发现中具有极其重要的意义。然而，对乳腺X线影像的评估是一项复杂的任务，其结果受专业经验差异和人为误判的影响较大，因此亟需辅助工具以提升诊断的可靠性与准确性。近年来，深度学习在医学图像分析中的应用日益广泛，已逐步辅助临床专家在疾病早期检测、诊断、治疗及预后评估等方面提高效率与精度。本文基于CBIS-DDSM数据集中的数字乳腺X线影像，比较了XGBoost与VGG16在乳腺癌检测任务中的性能表现。此外，我们进一步对比了使用完整乳腺X线图像与基于专家标注的感兴趣区域（ROI）所提取图像块（patches）在预测准确率上的差异。同时，为充分挖掘数据多样性并增强模型从原始未处理数据中提取特征与学习的能力，我们还开展了迁移学习与数据增强的实验。实验结果表明，XGBoost模型在AUC指标上达到68.29%，而VGG16模型的表现相近，AUC约为68.24%。两者在该任务中均展现出相当的性能水平，表明传统机器学习方法与深度学习方法在乳腺癌检测中均具备一定的应用潜力。