1. 引言
乳腺浸润性导管癌（IDC）占乳腺癌病例的80%，其组织病理诊断依赖耗时的人工镜检，存在观察者间差异性。本研究旨在开发一种轻量化混合深度学习模型，通过整合MobileNetV2的高效特征提取能力、U-Net的精准边界定位优势及标签传播的空间一致性优化，实现IDC的自动化分割与分类，提升诊断效率与一致性。
2. 材料与方法
2.1 数据集
研究采用BACH 2018（400张H&E染色图像，含正常、良性、原位癌和IDC四类）和BreakHis（6089张图像，含40×–400×多倍率）公开数据集。预处理包括图像缩放、灰度转换、对比度受限自适应直方图均衡化（CLAHE）和H&E染色分离，以增强模型泛化性。
2.2 模型架构
提出的MobileNetV2+U-Net混合模型以MobileNetV2为编码器，利用深度可分离卷积降低计算量；U-Net解码器通过跳跃连接重构空间细节。标签传播模块基于图结构优化分割边界，其权重矩阵定义为：
wij=exp(−2σI2∥Ii−Ij∥2)⋅exp(−2σx2∥xi−xj∥2)
其中Ii、xi分别表示颜色特征与空间坐标。损失函数结合Soft Dice损失与加权交叉熵，提升小肿瘤区域的敏感性。
2.3 训练与评估
模型在NVIDIA RTX 3080 GPU上训练，使用SGD优化器（动量0.9），学习率0.001，批量大小16。评估指标包括Dice系数、F1分数、AUC等，并采用五折交叉验证确保结果稳定性。
3. 结果与分析
3.1 分割性能
在BreakHis数据集上，模型在40×、100×、200×倍率下的平均Dice系数达94.24%，准确率94.63%，超越Swin-UNet（93.30%）、ViT-Histo（93.99%）等模型。跨数据集验证（BACH→BreakHis）的Dice系数为92.10%，证实模型强泛化能力。
3.2 计算效率
模型参数量仅1040万，FLOPs为27.8×109，单张图像推理时间0.021秒，较U-Net提速2.1倍，满足临床实时处理需求。
3.3 可解释性分析
Grad-CAM与SHAP可视化显示模型注意力集中于肿瘤核形态与腺体边界等关键区域，与病理学家标注高度一致，增强临床可信度。
4. 讨论
模型轻量化设计使其可集成至QuPath等数字病理平台，辅助医生快速定位可疑区域，降低工作负荷。未来将探索多模态数据融合与自监督学习，进一步提升对微小病灶的检测能力。
5. 结论
MobileNetV2+U-Net结合标签传播的框架在保持高精度的同时显著提升计算效率，为IDC的自动化诊断提供了可临床部署的AI解决方案。
