論文の概要: Towards Early Detection: AI-Based Five-Year Forecasting of Breast Cancer Risk Using Digital Breast Tomosynthesis Imaging

• arxiv url: http://arxiv.org/abs/2509.00900v1
• Date: Sun, 31 Aug 2025 15:25:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.45099
• Title: Towards Early Detection: AI-Based Five-Year Forecasting of Breast Cancer Risk Using Digital Breast Tomosynthesis Imaging
• Title（参考訳）: 早期発見に向けて:Digital Breast Tomo synthesis Imagingを用いたAIによる乳癌リスクの5年間の予測
• Authors: Manon A. Dorster, Felix J. Dorfner, Mason C. Cleveland, Melisa S. Guelen, Jay Patel, Dania Daye, Jean-Philippe Thiran, Albert E. Kim, Christopher P. Bridge,
• Abstract要約: 現在のリスク予測モデルは、2011年にFDAが乳がん検診で承認したデジタル乳房トモシン合成(DBT)イメージングを組み込んでいない。 本稿では,患者の5年間の乳がんリスクをスクリーニングから直接予測できるディープラーニング(DL)ベースのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 8.57802267735077
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: As early detection of breast cancer strongly favors successful therapeutic outcomes, there is major commercial interest in optimizing breast cancer screening. However, current risk prediction models achieve modest performance and do not incorporate digital breast tomosynthesis (DBT) imaging, which was FDA-approved for breast cancer screening in 2011. To address this unmet need, we present a deep learning (DL)-based framework capable of forecasting an individual patient's 5-year breast cancer risk directly from screening DBT. Using an unparalleled dataset of 161,753 DBT examinations from 50,590 patients, we trained a risk predictor based on features extracted using the Meta AI DINOv2 image encoder, combined with a cumulative hazard layer, to assess a patient's likelihood of developing breast cancer over five years. On a held-out test set, our best-performing model achieved an AUROC of 0.80 on predictions within 5 years. These findings reveal the high potential of DBT-based DL approaches to complement traditional risk assessment tools, and serve as a promising basis for additional investigation to validate and enhance our work.
• Abstract（参考訳）: 乳がんの早期発見は治療効果を強く支持するので、乳癌検診の最適化に大きな商業的関心がある。 しかし、現在のリスク予測モデルは、控えめなパフォーマンスを達成し、2011年にFDAが乳がん検診で承認したデジタル乳房トモシン合成(DBT)イメージングを組み込んでいない。 そこで本研究では,DBTスクリーニングから直接,患者の5年間の乳がんリスクを予測できる,深層学習(DL)ベースのフレームワークを提案する。 その結果,メタAI DINOv2画像エンコーダと累積危険層を併用して抽出した特徴に基づいて,50,590人の患者161,753個のDBT検査データを用いてリスク予測装置を訓練し,5年以上にわたって乳癌を発症する可能性を評価した。 維持テストセットでは,5年以内に予測値の0.80をAUROCで達成した。 以上の結果から,従来のリスクアセスメントツールを補完するDBTベースのDLアプローチの可能性が高く,本研究を検証・強化するための新たな調査の基盤となる可能性が示唆された。

関連論文リスト

• Enhancing Clinically Significant Prostate Cancer Prediction in T2-weighted Images through Transfer Learning from Breast Cancer [71.91773485443125]
  転送学習は、よりリッチなデータを持つドメインから取得した機能を活用して、限られたデータを持つドメインのパフォーマンスを向上させるテクニックである。 本稿では,T2強調画像における乳癌からの転移学習による臨床的に有意な前立腺癌予知の改善について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:57:27Z)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
  ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。 ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。 本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
  論文  参考訳（メタデータ） (2024-05-13T15:40:56Z)
• Leveraging Transformers to Improve Breast Cancer Classification and Risk Assessment with Multi-modal and Longitudinal Data [3.982926115291704]
  マルチモーダルトランス (MMT) はマンモグラフィーと超音波を相乗的に利用するニューラルネットワークである。 MMTは、現在の検査と以前の画像を比較することで、時間的組織変化を追跡する。 5年間のリスク予測では、MMTはAUROCの0.826を達成し、従来のマンモグラフィーベースのリスクモデルより優れている。
  論文  参考訳（メタデータ） (2023-11-06T16:01:42Z)
• Breast Cancer Detection and Diagnosis: A comparative study of state-of-the-arts deep learning architectures [3.883460584034766]
  南アフリカなど世界3カ国の乳がん患者の生存率は驚くほど低い。 医療専門家や研究者は、エンドツーエンドソリューションを開発するために、ドメイン固有のAIアプローチ、特にディープラーニングモデルに目を向けている。 本研究では、ビジョントランスフォーマー(ViT)と呼ばれる比較的新しいモデルと比較して、様々な最先端畳み込みニューラルネットワーク(CNN)アーキテクチャの性能を評価することに焦点を当てる。
  論文  参考訳（メタデータ） (2023-05-31T15:21:34Z)
• Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
  乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。 金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。 本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
  論文  参考訳（メタデータ） (2023-04-12T15:08:34Z)
• A Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [82.74877848011798]
  Cancer-Net BCaは、乳がん患者の画像データであるボリュームCDI$s$の複数機関のオープンソースベンチマークデータセットである。 Cancer-Net BCaは、機械学習の進歩を加速し、がんと戦う臨床医を助ける、グローバルなオープンソースイニシアチブの一部として、一般公開されている。
  論文  参考訳（メタデータ） (2023-04-12T05:41:44Z)
• Enhancing Breast Cancer Risk Prediction by Incorporating Prior Images [8.756888862171195]
  本稿では,トランスフォーマーデコーダを用いた乳がんリスク予測のための新しい手法PRIME+を提案する。 我々は16,113検診のデータセットにアプローチを検証し,従来のマンモグラムから変化パターンを効果的に捉えることを実証した。 実験の結果,C-インデックスは0.68から0.73に増加し,最先端モデルよりも統計的に有意な改善が得られた。
  論文  参考訳（メタデータ） (2023-03-28T03:05:25Z)
• Enhancing Clinical Support for Breast Cancer with Deep Learning Models using Synthetic Correlated Diffusion Imaging [66.63200823918429]
  深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。 我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。 提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
  論文  参考訳（メタデータ） (2022-11-10T03:02:12Z)
• Detection of masses and architectural distortions in digital breast tomosynthesis: a publicly available dataset of 5,060 patients and a deep learning model [4.3359550072619255]
  乳房トモシンセシス画像の大規模データセットをキュレートし,公開している。 5,060人の患者から5,610人を対象にした22,032冊の復元版がある。 我々は単相深層学習検出モデルを開発し、将来の研究のベースラインとしてデータセットを用いてテストした。
  論文  参考訳（メタデータ） (2020-11-13T18:33:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。