一、适用条件与范围 条件：具备乳腺影像采集设备的医疗机构。 范围：成年女性乳腺癌早期筛查，尤其适用于医疗资源匮乏地区。 对象：基层医生、影像科医师、体检中心。 二、解决的核心问题 （1）筛查效率低：传统人工阅片耗时长，基层医生经验不足易漏诊。 （2）病灶量化难：病灶位置、形态、动态变化等特征需专业影像分析能力。 三、数据应用价值 智能分割病灶：微调SAM模型自动输出高精度乳腺早筛分割标签（平均Dice/IoU验证），标识病灶位置与范围。 多维特征融合：结合位置（距乳头距离）、空间（形态属性）、对比（与周围组织差异）等特征，生成结构化报告。 辅助诊断决策：为医生提供可视化病灶分析及风险评估依据，提升筛查敏感性与特异性。 四、外部复用价值 赋能基层医疗：降低对专家资源的依赖，缩短诊断周期（单次筛查分钟级完成）。 标准化输出：算法适配各类乳腺影像设备，推动筛查结果跨机构互认。
一、数据采集 通过智能早筛数字健康快车，采集双侧乳腺（左侧L/右侧R）的早筛影像图片，收集影像相关的结构化特征信息。 核心字段： 乳腺早筛影像图片：通过URL存储乳腺早筛影像图片（URL链接已脱敏） 真实分割标签 预测分割标签 平均Dice 平均IoU 位置特征（左/右）：量化病灶与乳头距离。 空间特征（左/右）：描述形态属性。 时间特征（左/右）：记录单次筛查的动力学变化。 对比特征（左/右）：病灶与周围组织差异。 乳腺区域描述（左/右）：含生物标记物信息。 辅助字段： 临床数据、图像数据、医生诊断结论用于人工复核。筛查日期用于数据管理。 二、数据处理 对所有乳腺早筛影像图片进行标准化预处理，确保输入一致性，包括：图像尺寸归一化、图像去噪处理、亮度与对比度调整。 目标：提升后续算法模型的鲁棒性和分割精度。 三、核心算法规则 (模型构建与训练) （1）采用预训练的视觉大模型 SAM (Segment Anything Model) 作为基础架构。 （2）使用采集的乳腺早筛影像图片，对SAM模型进行微调。 （3）输入预处理后的乳腺早筛影像图片，输出该图片上乳腺肿瘤区域的预测分割标签 (P)。核心映射关系表示为：P = f_θ(I)，其中： f_θ代表微调后的SAM模型，参数为θ。 I代表输入的预处理乳腺早筛影像图片。 P代表模型预测的分割标签图。 性能评估：在训练和验证阶段，使用平均Dice系数和平均IoU作为核心指标，量化模型预测分割标签结果与真实分割标签之间的重叠精度。 四、数据应用 应用微调训练好的模型对新的乳腺早筛影像进行自动肿瘤区域分割。 输出的预测分割标签 P 用于标识乳腺早筛影像中可疑病灶的位置和范围。 结合预测分割标签的结果与原始影像特征（位置、空间、时间、对比特征），为后续的病灶分析、风险评估及辅助诊断提供关键依据。
| 字段名 | 类型 | 描述 |
|---|---|---|
序号 |
-- | -- |
筛查日期 |
-- | -- |
乳腺早筛影像图片 |
-- | -- |
真实分割标签 |
-- | -- |
预测分割标签 |
-- | -- |
| fieldName | exampleValue |
|---|---|
| 序号 | 1 |
| 筛查日期 | 2025.9.2 |
| 乳腺早筛影像图片 | http://www.yunshanghuatuo.com/EarlyScree |
curl -H "Authorization: Bearer YOUR_API_KEY" \
http://localhost:3001/api/v1/datasets/187948