Multi-class Identification and Quantification of Breast Implant-related Complications in Ultrasonography Using a Pathology-informed Lesion Graph: A Deep Learning Development and Validation Study

背景：乳腺超声（US）在检测乳房植入物相关并发症方面具有成本效益，但其可靠性在很大程度上仍依赖于操作者。目的：本研究开发并验证了一种深度学习模型，用于自动多分类识别和定量评估乳房植入物并发症（破裂、包膜挛缩和血肿）。方法：我们回顾性分析了来自908名患者的1,022个乳房植入物序列中的14,679张乳腺超声图像。所提出的架构整合了多尺度视觉编码、自动探头位置映射，以及带有梯度反转层的病理信息掩膜图图层，用于管腔对抗去偏。使用独立的患者级测试数据集（N=197个植入物）对四种卷积骨干网络进行了基准测试。结果：优化的基于DenseNet的框架在专家引导的空间先验下达到了96.97%的平衡准确率，在自主基线条件下为88.67%。该模型对正常、破裂和血肿队列的灵敏度为100%，对包膜挛缩的灵敏度为87.88%；少量假阴性可归因于形态异质性和共存病变。此外，该系统提取了定量形态学特征，包膜挛缩的平均相对包膜厚度为2.4±0.4%，血肿的平均相对液体面积为13.9±6.4%。结论：所提出的多尺度模型提供了全面的临床级输出，包括准确的并发症分类、五区空间定位和客观的形态学指标，同时减轻了操作者依赖性。该系统作为乳房植入物患者长期安全筛查的可及、高性能决策支持工具具有强大潜力。