Learnable Gabor and Wavelet Filters in Deep Learning for Mammographic Breast Cancer Classification: A Systematic Review

Technische Samenvatting: Leerbare Gabor- en Waveletfilters in Deep Learning voor Mammografische Borstkankerclassificatie

Probleemstelling
Hoewel Convolutionele Neurale Netwerken (CNN's) de mammografische borstkankeranalyse hebben geavanceerd, leren hun standaardkernels generieke representaties die niet expliciet zijn afgestemd op de specifieke georiënteerde, multiscale kenmerken van maligniteit, zoals gespimuleerde marges, architecturale verstoring en geclusterde microcalcificaties. Bovendien belemmert het "black-box"-karakter van deep learning de klinische acceptatie, die behoefte heeft aan beslissingsondersteuning die zowel accuraat als verklaarbaar is. Hoewel het integreren van klassieke signaalverwerkingsoperatoren (Gabor-filters voor oriëntatie-/frequentie-selectiviteit en wavelet-transformaties voor multiresolutie-decompositie) in diepe netwerken een pad biedt naar interpreteerbaarheid en data-gedreven adaptatie, is dit paradigma nog niet systematisch beoordeeld. Specifiek is er een gebrek aan bewijs met betrekking tot de gezamenlijke integratie van leerbare Gabor- en wavelet-operatoren voor multiclass radiologische en pathologische staging.

Methodologie
Deze studie is een systematische review uitgevoerd in overeenstemming met de PRISMA 2020-verklaring.

• Zoekstrategie: De auteurs hebben gezocht in PubMed, Scopus, IEEE Xplore en Web of Science naar studies gepubliceerd tussen januari 2010 en mei 2026. Zoektermen combineerden signaalverwerkingsoperatoren (Gabor, wavelet, leerbare filters), deep learning-paradigma's (CNN, DenseNet) en klinische toepassingen (mammografie, borstkanker, BI-RADS).
• Selectiecriteria: 22 studies voldeden aan de geschiktheidscriteria. Deze omvatten:
  1. Studies die Gabor- of wavelet-representaties direct toepassen op mammografische data.
  2. Studies die leerbare Gabor- of wavelet-lagen introduceren of verfijnen binnen diepe neurale netwerken (inclusief fundamentele studies buiten de mammografie om technieken te karakteriseren).
  3. Studies die deep-learning-backbones of multiclass-baselines bieden voor vergelijking.
• Kwaliteitsbeoordeling: De rapportagekwaliteit werd beoordeeld met behulp van de Checklist for Artificial Intelligence in Medical Imaging (CLAIM), en het risico op bias werd beoordeeld met de Prediction model Risk Of Bias ASsessment Tool (PROBAST).
• Synthese: Vanwege heterogeniteit in datasets, taken en uitkomstmaten (bijv. nauwkeurigheid, AUC, Dice-coëfficiënt) werd kwantitatieve pooling als ongepast beschouwd. In plaats daarvan werd een gestructureerde kwalitatieve synthese uitgevoerd, waarbij studies werden gegroepeerd op type operator (vast versus leerbaar) en taak.

Belangrijkste Bijdragen en Bevindingen
De review synthetiseert de stand van de techniek met betrekking tot leerbare signaalverwerkingsoperatoren in de mammografie:

1. Prestatie-indicatoren: De gerapporteerde classificatienauwkeurigheden in de opgenomen mammografische studies varieerden van 85,4% tot 98,7%, met Areas Under the Receiver Operating Characteristic Curve (AUC) variërend van 0,88 tot 0,92. Sensitiviteiten voor Gabor- en wavelet-gebaseerde systemen clusterden tussen 92% en 96%.
2. Leerbaar versus Vast/Onbeperkt: Waar vergeleken met vaste-parameter of onbeperkte convolutionele baselines, kwamen leerbare formuleringen (waarbij filterparameters zoals oriëntatie, frequentie en bandbreedte worden geoptimaliseerd via backpropagation) overeen met of overtroffen ze de nauwkeurigheid, terwijl ze consistent het aantal trainbare parameters verminderden. Deze parameterefficiëntie is bijzonder relevant voor de kleine-data-regimes die typerend zijn voor geannoteerde mammografische cohorten.
3. Bewijsgaten:
   • Gezamenlijke Integratie: Geen enkele studie heeft leerbare Gabor- en leerbare wavelet-operatoren gezamenlijk geïntegreerd binnen een enkele backbone onderzocht.
   • Multiclass Staging: Multiclass radiologische en pathologische staging (bijv. BI-RADS-categorieën) werd alleen behandeld door architecturen die een geparametriseerde signaalverwerkings-front-end missen (bijv. DenseNet, Vision Transformers).
   • Domeinvalidatie: De sterkste methodologische ondersteuning voor leerbare Gabor-formuleringen kwam uit studies gevalideerd op hyperspectrale, natuurlijke afbeeldingen en vaat-imagerie, in plaats van mammografie. De enige mammografische studie die leerbare wavelet-lagen gebruikte, richtte zich op binaire (benigne versus maligne) classificatie.
4. Methodologische Beperkingen: De review identificeerde significante tekortkomingen in de rapportage, waaronder een onvolledige specificatie van modelarchitectuur en trainingsprocedures. Externe validatie op onafhankelijke data werd in een minderheid van de studies gerapporteerd, en prospectieve evaluatie was afwezig. De meeste datasets waren retrospectief en kanker-verrijkt.

Betekenis en Claims
Het artikel beweert dat leerbare Gabor- en wavelet-operatoren ingebed in diepe neurale netwerken een wiskundig interpreteerbare en parameterefficiënte benadering bieden voor de mammografische borstkankeranalyse, met prestaties die vergelijkbaar zijn met hedendaagse deep-learningmethoden.

De auteurs nemen echter een bescheiden standpunt in over de huidige staat van het veld. Zij stellen dat het huidige bewijs beperkt is tot single-operator ontwerpen en voornamelijk binaire taken. De specifieke intersectie van het gezamenlijk gebruiken van leerbare Gabor- en wavelet-operatoren voor multiclass mammografische classificatie en pathologische staging blijft een onbehandelde bewijsgat. De auteurs concluderen dat hoewel de theoretische voordelen (interpreteerbaarheid, efficiëntie, robuustheid tegen dichtheidsvariaties) duidelijk zijn, toekomstig werk de voordelen moet evalueren via verenigde, beperkte leerbare-filterarchitecturen op prospectief samengestelde, extern gevalideerde en op stadia geannoteerde cohorten om deze voordelen in klinisch zinvolle settings te bevestigen.