乳腺癌超聲檢查是早期發(fā)現(xiàn)乳腺病變的重要手段，尤其適用于致密型乳腺的女性。然而，由于乳腺結(jié)構(gòu)復(fù)雜、病理特征細(xì)微且臨床場景多變，超聲圖像的準(zhǔn)確判讀對(duì)醫(yī)生而言極具挑戰(zhàn)。同時(shí)，受限于隱私法規(guī)和數(shù)據(jù)獲取難度，公開可用的乳腺超聲數(shù)據(jù)集十分稀缺，導(dǎo)致傳統(tǒng)深度學(xué)習(xí)模型在該領(lǐng)域面臨過擬合、泛化能力差等難題?；A(chǔ)模型的出現(xiàn)為解決數(shù)據(jù)稀缺問題提供了新思路，但其在乳腺超聲領(lǐng)域的應(yīng)用潛力尚未被充分挖掘。

2026年4月7日，北京大學(xué)王立威、賀笛團(tuán)隊(duì)聯(lián)合斯坦福大學(xué)James Zou教授以及國內(nèi)多家醫(yī)療機(jī)構(gòu)，在《自然·生物醫(yī)學(xué)工程》上發(fā)表題為“A foundation generative model for breast ultrasound image analysis”的研究。他們成功開發(fā)了全球首個(gè)面向乳腺超聲圖像分析的基礎(chǔ)生成模型——BUSGen。

研究團(tuán)隊(duì)構(gòu)建了包含超過350萬張乳腺超聲圖像的預(yù)訓(xùn)練數(shù)據(jù)集，覆蓋34種病理亞型，并以此為依托訓(xùn)練出BUSGen模型。該模型能夠根據(jù)少量樣本的引導(dǎo)，生成高質(zhì)量、多樣化的合成乳腺超聲數(shù)據(jù)。在僅使用合成數(shù)據(jù)訓(xùn)練的情況下，下游模型在多項(xiàng)任務(wù)中展現(xiàn)出卓越性能。例如，在乳腺癌早期診斷任務(wù)中，BUSGen驅(qū)動(dòng)的模型（BUS-DM）將導(dǎo)管原位癌與良性病變區(qū)分開的AUC值達(dá)到0.900，顯著優(yōu)于對(duì)比模型。更令人矚目的是，在相同特異性條件下，BUS-DM的平均敏感度比9位認(rèn)證放射科醫(yī)生高出16.5%，首次證明僅靠合成數(shù)據(jù)訓(xùn)練的模型能在復(fù)雜臨床任務(wù)中超越人類專家團(tuán)隊(duì)。

在乳腺癌篩查任務(wù)中，BUS-DM對(duì)小病灶（面積占比最小的30%）的檢測平均精確度達(dá)到0.702，明顯高于基線模型。對(duì)于機(jī)會(huì)性篩查檢出的病變，其良惡性分類AUC值也提升至0.918。此外，在預(yù)測三陰性乳腺癌分子亞型和腋窩淋巴結(jié)轉(zhuǎn)移狀態(tài)等預(yù)后任務(wù)中，BUS-DM同樣表現(xiàn)優(yōu)異，AUC分別達(dá)到0.803和0.895。

研究進(jìn)一步揭示了生成數(shù)據(jù)的縮放效應(yīng)：隨著生成數(shù)據(jù)量從數(shù)千張擴(kuò)大到百萬級(jí)，模型性能持續(xù)提升，其表現(xiàn)與使用真實(shí)數(shù)據(jù)訓(xùn)練的模型高度一致。同時(shí)，通過采用先進(jìn)的采樣策略，BUSGen生成的數(shù)據(jù)與任何真實(shí)患者圖像均不重復(fù)，有效保護(hù)了患者隱私，為醫(yī)療數(shù)據(jù)的安全共享提供了新方案。

READING

BioPeers

歡迎關(guān)注本公眾號(hào)，所有內(nèi)容歡迎點(diǎn)贊，推薦??，評(píng)論，轉(zhuǎn)發(fā)~

如有錯(cuò)誤、遺漏、侵權(quán)或商務(wù)合作請私信小編~~

歡迎大家投稿課題組 研究進(jìn)展 、招聘及招生宣傳~

所有文章只為科普、科研服務(wù)，無商業(yè)目的~