論文の概要: A Density-Informed Multimodal Artificial Intelligence Framework for Improving Breast Cancer Detection Across All Breast Densities

• arxiv url: http://arxiv.org/abs/2510.14340v1
• Date: Thu, 16 Oct 2025 06:20:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.74456
• Title: A Density-Informed Multimodal Artificial Intelligence Framework for Improving Breast Cancer Detection Across All Breast Densities
• Title（参考訳）: 全乳腺癌検出のための密度インフォームド多モード人工知能フレームワーク
• Authors: Siva Teja Kakileti, Bharath Govindaraju, Sudhakar Sampangi, Geetha Manjunath,
• Abstract要約: 乳がん検診の基準であるマンモグラフィーは、高濃度の乳腺組織を持つ女性の感度を低下させ、診断が遅れたり遅れたりする原因となっている。 本研究では,乳房組織組成に基づいて適切な画像モダリティを動的に選択することにより,乳房密度インフォームドマルチモーダルAIフレームワークががん検出を向上できるかどうかを検討する。
• 参考スコア（独自算出の注目度）: 0.6999740786886536
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mammography, the current standard for breast cancer screening, has reduced sensitivity in women with dense breast tissue, contributing to missed or delayed diagnoses. Thermalytix, an AI-based thermal imaging modality, captures functional vascular and metabolic cues that may complement mammographic structural data. This study investigates whether a breast density-informed multi-modal AI framework can improve cancer detection by dynamically selecting the appropriate imaging modality based on breast tissue composition. A total of 324 women underwent both mammography and thermal imaging. Mammography images were analyzed using a multi-view deep learning model, while Thermalytix assessed thermal images through vascular and thermal radiomics. The proposed framework utilized Mammography AI for fatty breasts and Thermalytix AI for dense breasts, optimizing predictions based on tissue type. This multi-modal AI framework achieved a sensitivity of 94.55% (95% CI: 88.54-100) and specificity of 79.93% (95% CI: 75.14-84.71), outperforming standalone mammography AI (sensitivity 81.82%, specificity 86.25%) and Thermalytix AI (sensitivity 92.73%, specificity 75.46%). Importantly, the sensitivity of Mammography dropped significantly in dense breasts (67.86%) versus fatty breasts (96.30%), whereas Thermalytix AI maintained high and consistent sensitivity in both (92.59% and 92.86%, respectively). This demonstrates that a density-informed multi-modal AI framework can overcome key limitations of unimodal screening and deliver high performance across diverse breast compositions. The proposed framework is interpretable, low-cost, and easily deployable, offering a practical path to improving breast cancer screening outcomes in both high-resource and resource-limited settings.
• Abstract（参考訳）: 乳がん検診の基準であるマンモグラフィーは、高濃度の乳腺組織を持つ女性の感度を低下させ、診断が遅れたり遅れたりする原因となっている。 Thermalytixは、AIベースの熱画像モダリティで、マンモグラフィー構造データを補完する機能的な血管と代謝の手がかりをキャプチャする。 本研究では,乳房組織組成に基づいて適切な画像モダリティを動的に選択することにより,乳房密度インフォームドマルチモーダルAIフレームワークががん検出を向上できるかどうかを検討する。 総計324名の女性がマンモグラフィーと熱画像検査を行った。 マンモグラフィー画像は多視点深層学習モデルを用いて解析し, サーモグラフィーは血管および熱放射能を用いて熱画像を評価した。 提案フレームワークは,脂肪乳にマンモグラフィーAI,高密度乳房にサーモグラフィーAIを用い,組織型に基づく予測を最適化した。 このマルチモーダルAIフレームワークは、感度94.55%(95% CI: 88.54-100)、特異性79.93%(95% CI: 75.14-84.71)、スタンドアロンマンモグラフィAI(感度81.82%、特異性86.25%)、熱イティクスAI(感度92.73%、特異性75.46%)を達成した。 重要なことは、乳房肥大(67.86%)と脂肪乳(96.30%)ではマンモグラフィーの感度が著しく低下し、一方、Thermytix AIは92.59%と92.86%の感度を維持した。 これは、密度インフォームされたマルチモーダルAIフレームワークが、ユニモーダルスクリーニングの重要な制限を克服し、さまざまな乳房構成で高いパフォーマンスを実現することを実証している。 提案するフレームワークは解釈可能で低コストで容易にデプロイ可能であり,高リソースと資源制限の双方で乳がん検診結果を改善するための実践的な道筋を提供する。

関連論文リスト

• Deep Learning Predicts Mammographic Breast Density in Clinical Breast Ultrasound Images [0.0]
  マンモグラフィーの乳腺密度は 乳がんの最大の危険因子の1つです 乳房超音波(BUS)は、乳がんスクリーニング法の一種である。 本研究の目的は,BUS画像からBI-RADS乳房密度を予測する人工知能(AI)モデルを検討することである。
  論文  参考訳（メタデータ） (2024-10-31T21:28:20Z)
• 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)
• Multi-Head Feature Pyramid Networks for Breast Mass Detection [48.24995569980701]
  本稿では,MHFPN (Multi-head Feature pyramid Module) を提案する。 実験により、SOTA検出ベースラインと比較して、一般的に使用されるInbreastデータセットでは、我々の手法は6.58%(AP@50では6.58%、TPR@50では5.4%(TPR@50では5.4%)の改善が見られた。
  論文  参考訳（メタデータ） (2023-02-22T03:02:52Z)
• High-resolution synthesis of high-density breast mammograms: Application to improved fairness in deep learning based mass detection [48.88813637974911]
  深層学習に基づくコンピュータ支援検出システムは乳癌検出において優れた性能を示した。 高密度の乳房は、高密度の組織がマスを覆ったりシミュレートしたりできるため、検出性能が劣っている。 本研究は,高密度乳房における高密度フルフィールドデジタルマンモグラムを用いた質量検出性能の向上を目的とする。
  論文  参考訳（メタデータ） (2022-09-20T15:57:12Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
  超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。 この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。 トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
  論文  参考訳（メタデータ） (2021-07-12T09:04:20Z)
• Embedded Deep Regularized Block HSIC Thermomics for Early Diagnosis of Breast Cancer [0.0]
  マトリックス因子化(MF)技術は、がん患者の血管拡張に対応する熱パターンを検出することができる。 このような技術の最大の課題の1つは、熱基底の最良の表現を選択することである。 熱画像検査のためのDeep-semi-non negative matrix factorization (Deep-SemiNMF)を導入し, 乳癌検診208例を対象に検討した。
  論文  参考訳（メタデータ） (2021-06-03T19:54:31Z)
• Understanding the robustness of deep neural network classifiers for breast cancer screening [52.50078591615855]
  ディープニューラルネットワーク(DNN)は乳がん検診において有望であるが、その入力摂動に対する堅牢性は臨床的に実装される前によりよく理解する必要がある。 放射線技師レベルのマンモグラム画像分類器の4種類の入力摂動に対する感度を測定した。 また,低域通過フィルタの効果について詳細な解析を行い,臨床的に有意な特徴の視認性を低下させることを示した。
  論文  参考訳（メタデータ） (2020-03-23T01:26:36Z)
• Breast Cancer Detection Using Convolutional Neural Networks [0.0]
  エチオピアでは女性がん患者の34%を占める乳がんが一般的である。 深層学習技術は医療画像分析の分野に革命をもたらしている。 本モデルは,マンモグラフィ(MG)画像において,腫瘤領域を検出し,良性または悪性の異常に分類する。
  論文  参考訳（メタデータ） (2020-03-17T19:41:00Z)

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。