Learnable Gabor and Wavelet Filters in Deep Learning for Mammographic Breast Cancer Classification: A Systematic Review
这项针对 2010 年至 2026 年间发表的 22 项研究进行的系统综述得出结论，虽然可学习的 Gabor 和小波滤波器为乳腺癌影像分类提供了具有可解释性且参数高效的改进，但在将它们共同集成用于多类放射学和病理学分期方面，仍存在显著的证据空白。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
大局观：教计算机更好地“看见”乳腺癌
想象一下，你正试图在一块纹理复杂的织物中寻找一种特定类型的裂缝。一个标准的计算机视觉系统（比如普通的卷积神经网络，或 CNN）就像一个正在学习观察世界的孩子：它看着织物，并通过试错法来猜测裂缝的样子。它最终会变得很擅长，但它并不真正理解裂缝为什么长成那样，它只是记住了模式。
这篇论文综述了一种更聪明的方法：在计算机开始学习之前，先给它一副“特制眼镜”。
这些“眼镜”是基于两种传统的数学工具：Gabor 滤波器（Gabor filters）和小波变换（Wavelet transforms）。
- Gabor 滤波器就像一组可以向特定方向（水平、垂直、对角线）照射的探照灯，用以捕捉边缘和线条。
- 小波变换则像一组变焦镜头，既可以从远处观察织物（看大局），也可以近距离观察（看微小钙化等细节）。
旧方法的缺陷
过去，科学家们确实使用过这些“特制眼镜”，但它们是固定不变的。想象一下，你买了一副只能聚焦于水平线的眼镜。如果由于你要寻找的裂缝是斜着的，那么这副眼镜就毫无用处。你必须为每一个特定的任务手动设计眼镜，这既缓慢又僵化。
新思路：“可学习”的眼镜
本论文研究了科学家们如何让这些眼镜变得可调节。这些眼镜不再是固定的，计算机现在可以学习如何在研究数据的过程中，自动调整这些滤波器的焦距和方向。
这就像是给计算机戴上了一副智能、自动调节的眼镜。当计算机观察成千上万张乳腺 X 光片时，它会自动调整其“眼镜”，从而完美地突出癌症肿瘤的特定形状和纹理，而不需要人类告诉它具体该怎么做。
综述发现
作者查阅了 22 项不同的研究，以观察这种“智能眼镜”理念的效果如何。以下是他们的发现：
- 效果极佳： 当使用这些可调节滤波器时，计算机在识别癌症方面表现得非常出色。准确率很高（在 85% 到 98% 之间），并且通常与标准计算机系统一样好，甚至更好。
- 效率更高： 由于计算机利用这些“特制眼镜”来寻找重要部分，它不需要记忆过多的额外信息。这就像是用放大镜在干草堆里找针，而不是闭着眼睛搜寻整个干草堆。这意味着计算机完成任务所需的内存和功率更少。
- 更易理解： 因为这些滤波器是基于已知的数学规则（如光波或声波的原理），医生可以观察计算机所看到的内容，并理解它为什么将某个点标记为可疑。这不再是一个“黑箱”谜团。
缺失的一环（研究空白）
尽管这听起来很完美，但综述发现当前研究中存在一个巨大的漏洞：
- 尚未有人将两者结合： 一些研究使用了“Gabor 眼镜”（用于方向），另一些研究使用了“小波眼镜”（用于缩放级别），但还没有人构建出一个同时使用这两类智能眼镜的系统。
- 仅限于简单任务： 大多数此类系统仅针对一个简单的“是/否”问题进行测试：是否有癌症？ 它们尚未经过更难、更复杂的实际临床问题测试，例如：癌症的具体阶段是什么？是 A 型、B 型还是 C 型？
结论
论文得出结论，给深度学习系统配备这些可调节的、基于数学的滤波器是一个极佳的想法。它使系统变得更聪明、更快速，也更值得信赖。然而，我们目前一次只能使用一种类型的滤波器，且仅用于处理简单的任务。
作者建议，下一个重大步骤是构建一个能够结合这两类滤波器，并利用它们来回答关于乳腺癌的复杂多层问题的系统，就像真正的医生所做的那样。在此之前，这一强大的工具仍处于“未被解决的证据空白”状态。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。