主要观点总结
上海科技大学助理教授钱学骏和合作者开发出多模态AI系统BMU-Net模型，用于推动乳腺癌筛诊方法的发展。该AI系统结合了传统卷积神经网络与Transformer的混合深度学习框架，通过引入不同癌变风险等级的乳腺疾病树，实现了多层级乳腺癌风险预测。在乳腺癌良恶性分类上，该系统的表现与专家水平相当，在组织病理学分级诊断上则能超越人类专家。该系统的预测能力强于资深放射科医生，达到资深病理科医生的水准，为乳腺癌的筛查和诊断提供了新途径。
关键观点总结
关键观点1: 钱学骏和团队开发出多模态AI系统BMU-Net模型
BMU-Net模型是一个结合传统卷积神经网络与Transformer的混合深度学习框架，用于乳腺癌风险预测。
关键观点2: BMU-Net模型实现了多层级乳腺癌风险预测
通过引入不同癌变风险等级的乳腺疾病树，课题组实现了对乳腺癌患者的精细化分层，为医生提供更准确的诊断依据。
关键观点3: BMU-Net模型的预测能力与专家相当，部分领域超越专家
在乳腺癌良恶性分类上，BMU-Net的表现与专家相当；在组织病理学分级诊断上，则能超越人类专家。其预测能力强于资深放射科医生，达到资深病理科医生的水准。
关键观点4: 钱学骏介绍了研究中面临的挑战和解决方案
研究中面临了多模态数据获取、临床信息获取、样本量有限等挑战。通过采用模块化AI模型设计策略、优化损失函数等技术手段解决了这些挑战。
关键观点5:
该研究为乳腺癌的筛查和诊断提供了新途径，具有显著的应用价值和社会效益。相关论文发表在Nature Biomedical Engineering上。
文章预览
近日，上海科技大学助理教授钱学骏和合作者开发出一种多模态 AI 系统——BMU-Net 模型，推动了乳腺癌筛诊方法的发展 [1]。 图 | 钱学骏（来源：钱学骏） BMU-Net，是一个结合传统卷积神经网络与 Transformer 的混合深度学习框架。 通过引入不同癌变风险等级的乳腺疾病树，课题组实现了多层级乳腺癌风险预测。 研究中，该团队利用 5025 名患者的 19360 张乳腺影像开展了本次模型的开发和测试。 相比由资深放射科医生进行的 158 例钼靶检查诊断结果和 146 例超声检查诊断结果，BMU-Net 在乳腺癌良恶性分类上与专家水平相当，在组织病理学分级诊断上则能超越人类专家的表现。 针对 187 名患者进行前瞻性多模态数据验证时，BMU-Net 取得 90.1% 的准确率，这已经非常接近人类专家 92.7% 的准确率。 针对乳腺癌和其他乳腺疾病的风险分层，该 AI 系统提供了一个精
………………………………
