刘伟锋教授团队在乳腺钼靶AI诊断方向取得系列进展

2024年，乳腺癌继续位居全球女性恶性肿瘤发病率首位。早期筛查与精准诊断是降低死亡率的关键所在。乳腺钼靶检查以其成本低、分辨率高的优势，成为全球首选的早筛手段。然而，传统人工诊断依赖医生经验，易受主观因素影响；而现有AI辅助诊断系统则面临“标注成本高、全图诊断精度低、多视图信息利用不足”等核心痛点。

针对上述挑战，太阳集团tyc234cc刘伟锋教授团队联合山东省肿瘤医院，聚焦乳腺钼靶图像分类的临床需求，提出了多种AI辅助诊断技术方案，相关成果先后发表于《IEEE Transactions on Medical Imaging》、《Medical Image Analysis》及MICCAI2025，为乳腺癌AI早筛提供了高效、低成本的全新解决方案。研究工作获山东省自然科学基金和国家自然科学基金项目支持。

DLSEN-RS网络：无病灶标注，也能精准定位

针对现有计算机辅助诊断系统依赖昂贵病灶标注数据的问题，团队提出DLSEN-RS网络结构，通过位置嵌入与聚合池化模块，在无需边界框或分割标注的情况下，实现对乳腺钼靶图像中微小病灶的精准定位与分类。该方法模拟放射科医生逐区域扫描的诊断过程，通过双路径评分机制对特征图进行重加权，突出疑似恶性区域，并聚焦最具判别性的特征。在公开数据集INbreast和CBIS-DDSM上的实验表明，DLSEN-RS在分类精度与弱监督定位能力上均优于现有方法，且计算开销极小。该成果发表于《IEEE Transactions on Medical Imaging》，刘宝弟副教授为通讯作者。

MRSN框架：全视野图像中“一眼锁定”病灶

针对全视野乳腺钼靶图像中病灶区域小、背景干扰多的问题，研究团队提出MRSN端到端深度学习框架，通过多尺度区域选择机制，在无需ROI标注的情况下，实现对全视野图像中肿瘤区域的精准聚焦与分类。MRSN通过通道与空间双路径的区域评分与选择策略，模拟放射科医生的诊断逻辑，先过滤无关背景信息，再筛选最具代表性的肿瘤特征区域进行预测。在包括私有临床数据集在内的三个数据集上，MRSN均达到最先进性能，其分类准确率接近甚至部分超越基于patch的分类器，同时具备优异的弱监督定位能力。该成果发表于《Medical Image Analysis》。

MC-SDS方法：让AI适应不同型号设备

针对不同型号钼靶设备获取图像存在显著差异导致的模型性能下降问题，团队提出MC-SDS域泛化方法，通过抑制域相关特征对模型的错误影响，有效降低了模型在不同乳腺钼靶影像数据集中出现错误分类的风险，显著提升了模型的泛化能力。该成果发表于医学成像领域顶级会议MICCAI，刘宝弟副教授为通讯作者。

LAS-GAM框架：融合多视角，实现患者级诊断

针对现有方法未充分整合多视角信息的问题，研究团队提出端到端患者级诊断框架LAS-GAM，通过全局模块整合多视角互补信息，利用病灶筛查模块定位潜在病灶并提取特征，仅需患者级标签即可实现精准预测，显著降低了标注成本。该成果发表于《IEEE Transactions on Medical Imaging》，刘宝弟副教授为共同通讯作者。

期刊和会议级别

团队研究基础

刘伟锋教授团队研究方向主要为机器学习、人工智能、智能信息处理算法等。现有教授1人，副教授3人，讲师4人。团队的青年人才培养工作近两年取得很大进展，2022年至今团队青年教师已经获得国家自然基金青年基金4项，山东省海外优青1项，山东省泰山学者青年专家1项等多个国家和省级项目。此外，团队青年教师已经多次在IEEE TPAMI、IEEE TIP、IEEE TKDE、ICML、ICLR、CVPR、AAAI、IJCAI等人工智能顶级期刊和会议发表相关研究工作，受到领域的广泛关注。

论文链接：

https://ieeexplore.ieee.org/document/10500847

https://www.sciencedirect.com/science/article/pii/S1361841524003244

https://link.springer.com/book/9783032049261

https://ieeexplore.ieee.org/document/11154016