覆盖所有组织病理学类别的具链式思维推理的乳腺超声数据集

这项研究为何重要

乳腺癌筛查日益依赖超声检查，尤其针对年轻女性以及乳腺X线摄影可及性较低的地区。然而，即便是用于读取这些影像的最优秀人工智能（AI）工具常常表现得像黑箱，只给出良性或恶性的结论，却不显示其得出结论的过程。本文介绍了BUS-CoT——一个新的、公开可用的乳腺超声数据集，目的不仅是帮助AI识别癌症，更是教会它以类似专科放射科医师处理疑难病例的方式“边想边说”。

从模糊影像到结构化线索

超声图像噪声多且难以解读，即便对专家来说也不容易。人类专家不会仅凭一瞥就下诊断；他们会寻找一连串可视线索——肿块是卵圆还是不规则、边界是光滑还是有棘突、是否有声影、以及微小亮点是否提示钙化。这些线索随后与标准化规则（例如BI-RADS体系）一起权衡，以评估病变为癌的概率并决定是否需要活检。现有的AI系统通常跳过这种逐步推理，直接从像素到预测，这使得其决策难以信赖，也难以应对不寻常或罕见病例。

一套丰富的真实世界病例集

BUS-CoT通过汇集来自多大洲、不同超声机器类型的刊物、开放数据集和在线病例库的11,439张乳腺超声图像（对应11,850个病变、4,838名患者），来应对这些问题。关键在于，该集合覆盖世界卫生组织定义的全部99种乳腺组织类别，从常见的良性结节如纤维腺瘤到罕见且侵袭性的癌症。这种广泛覆盖解决了早期数据集的一个主要弱点：常常遗漏罕见疾病，从而让AI系统在医生最可能感到棘手的那类病例上准备不足。

教机器沿着推理路径前进

除了原始影像，BUS-CoT还提供了多层次的专家注释。放射科医师首先记录基本观察：是否存在肿块、是否有钙化以及病变位置。随后他们标注详细的视觉特征——形状、边缘、内部回声模式等——在此基础上分配BI-RADS类别，并将这些影像发现与组织样本的确诊病理结果关联。最后，他们把这些结构化信息转换成叙事式的链式思维：简短的逐步解释，将影像所见与特定诊断可能性的原因连接起来。与自动生成的文本不同，这些推理链由有经验的乳腺影像专家撰写并核验，保留了可供模型学习的真实临床逻辑。

对数据集进行检验

为展示该资源的能力，作者在BUS-CoT上训练了多种现代图像与视觉—语言模型，重点使用了经过精心筛选的5,163张以病变为中心的高质量子集。传统的图像网络学会将病变分类为良性或恶性，而一种先进的视觉—语言模型则被训练为既观察图像又在给出答案前生成一条推理链。当模型被强制以这种结构化方式进行推理时，其准确性有所提高，尤其是在那些良性与恶性外观相似的模糊病例上。换言之，引导模型“逐步走过”放射科医师使用的相同视觉线索，有助于其做出更好、更安全的决策。

这项工作如何影响未来诊疗

对患者和临床医生而言，BUS-CoT的承诺在于开发出不仅能达到人类水平准确性、还能以临床上有意义的方式解释自身结论的AI工具。通过将数千张超声图像与经过详尽记录的推理配对，并覆盖从常见到罕见的全部乳腺组织诊断谱，这个数据集为能够处理棘手边缘病例并为其建议提供理由的AI系统奠定了基础。尽管目前它尚未包含如遗传学或病史等更广泛的临床信息，BUS-CoT仍是朝向更透明、可被信任的基于超声的诊断迈出的重要一步，使机器不再像神秘的预言者，而更像思路可检视并可改进的勤勉初级同事。

引用: Yu, H., Li, Y., Niu, Z. et al. A Chain-of-thought Reasoning Breast Ultrasound Dataset Covering All Histopathology Categories. Sci Data 13, 370 (2026). https://doi.org/10.1038/s41597-026-06702-9

关键词: 乳腺超声, 医学影像人工智能, 可解释人工智能, 乳腺癌诊断, 临床数据集