乳腺癌是全球女性面临的重大健康挑战之一，其有效防治高度依赖早期、可靠且可重复的诊断手段。传统乳腺影像技术，如乳腺X线摄影、磁共振成像和计算机断层扫描，虽然在临床诊断中发挥重要作用，但通常存在设备成本高、可及性受限、检查流程复杂或不适合频繁重复监测等问题。相比之下，射频（radio frequency, RF）射频成像与感知技术具有无电离辐射、低功耗、可小型化和潜在可穿戴化等优势，能够通过探测健康组织与肿瘤组织之间的介电特性差异，为乳腺疾病筛查与连续健康监测提供新的技术路径。

围绕乳腺RF信号的智能诊断需求，中国科学院深圳先进技术研究院聂泽东研究员团队提出了基于 RF-BreastNet 的射频物理深度学习框架，相关成果发表在IEEE Transactions on Antennas and Propagation国际TOP 期刊 "RF-BreastNet: An Augmented Hierarchical Feature Extraction Framework for Breast Tumor Detection, Localization, and Size Classification from RF Microwave Signals"。深圳先进院博士研究生 Saheed Salahudeen Abdullahi 为第一作者，聂泽东研究员为通讯作者。

研究团队提出的RF-BreastNet能够直接从RF信号中提取关键特征，实现乳腺肿瘤检测、空间定位和尺寸分类三项任务的联合分析。与依赖复杂图像重建的传统流程不同，RF-BreastNet 面向 S 参数信号开展无重建分析，同时融合 S11 反射系数、S21 透射系数以及乳腺结构相关解剖元数据，使模型能够捕获空间传播、组织响应和介电特性变化等多维信息，从而提高乳腺肿瘤识别的准确性和鲁棒性。实验结果显示，RF-BreastNet 在乳腺肿瘤检测任务中的准确率达到 97.19%，肿瘤定位任务中的 R² 达到 93.37%，肿瘤尺寸分类准确率达到 98.35%。在多种数据增强策略中，幅度扭曲表现出最稳定且综合性能最优的结果，说明符合信号物理特性的增强方法对于提升微波乳腺成像分析性能具有重要价值。

该研究展示了多模态射频信号感知与层级特征提取技术在无重建乳腺肿瘤分析中的应用潜力。RF-BreastNet 不仅能够判断肿瘤是否存在，还能够进一步估计肿瘤空间坐标并识别尺寸类别，为未来便携式、低成本、可重复的乳腺筛查系统提供了重要方法基础，尤其适用于基层医疗、资源受限地区和需要长期随访的健康管理场景。

值得进一步关注的是，该研究的意义并不局限于乳腺肿瘤诊断。射频信号具有无电离、低功耗、可非接触/近场部署、对组织介电变化敏感以及较好隐私保护等特点，有望成为主动健康和具身智能系统中的重要感知模态。在主动健康场景中，射频传感可与可穿戴设备、床旁设备、智能座椅、居家养老终端或康复机器人结合，用于体征监测、组织状态评估、风险预警和干预反馈，推动健康管理从“被动检测”走向“连续感知—智能评估—闭环干预”。在具身智能场景中，射频感知可为机器人、机器狗和智能座舱提供不同于视觉、语音和触觉的身体状态感知能力，使其在保护隐私的同时更好地理解人体状态、接触关系和潜在健康风险，从而提升人机协作、居家照护、康复训练和安全防护等场景的适应性与可靠性。

原文链接

图1 RF-BreastNet 乳腺肿瘤诊断整体架构框架

图2 乳腺RF成像数据采集系统