論文の概要: MamaDino: A Hybrid Vision Model for Breast Cancer 3-Year Risk Prediction

• arxiv url: http://arxiv.org/abs/2602.13930v1
• Date: Sat, 14 Feb 2026 23:56:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.5653
• Title: MamaDino: A Hybrid Vision Model for Breast Cancer 3-Year Risk Prediction
• Title（参考訳）: MamaDino:乳癌の3年間のリスク予測のためのハイブリッドビジョンモデル
• Authors: Ruggiero Santeramo, Igor Zubarev, Florian Jug,
• Abstract要約: MamaDinoはマンモグラフィーを意識した多視点DINOモデルである。 両側乳房情報をバイラテラルミクサーで収集し、3年間の乳がんリスクスコアを出力する。
• 参考スコア（独自算出の注目度）: 6.617593699054488
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Breast cancer screening programmes increasingly seek to move from one-size-fits-all interval to risk-adapted and personalized strategies. Deep learning (DL) has enabled image-based risk models with stronger 1- to 5-year prediction than traditional clinical models, but leading systems (e.g., Mirai) typically use convolutional backbones, very high-resolution inputs (>1M pixels) and simple multi-view fusion, with limited explicit modelling of contralateral asymmetry. We hypothesised that combining complementary inductive biases (convolutional and transformer-based) with explicit contralateral asymmetry modelling would allow us to match state-of-the-art 3-year risk prediction performance even when operating on substantially lower-resolution mammograms, indicating that using less detailed images in a more structured way can recover state-of-the-art accuracy. We present MamaDino, a mammography-aware multi-view attentional DINO model. MamaDino fuses frozen self-supervised DINOv3 ViT-S features with a trainable CNN encoder at 512x512 resolution, and aggregates bilateral breast information via a BilateralMixer to output a 3-year breast cancer risk score. We train on 53,883 women from OPTIMAM (UK) and evaluate on matched 3-year case-control cohorts: an in-distribution test set from four screening sites and an external out-of-distribution cohort from an unseen site. At breast-level, MamaDino matches Mirai on both internal and external tests while using ~13x fewer input pixels. Adding the BilateralMixer improves discrimination to AUC 0.736 (vs 0.713) in-distribution and 0.677 (vs 0.666) out-of-distribution, with consistent performance across age, ethnicity, scanner, tumour type and grade. These findings demonstrate that explicit contralateral modelling and complementary inductive biases enable predictions that match Mirai, despite operating on substantially lower-resolution mammograms.
• Abstract（参考訳）: 乳がん検診プログラムは、全期間の1段階から、リスクに適応しパーソナライズされた戦略へと移行しようとしている。 深層学習(DL)は、従来の臨床モデルよりも1年から5年予測の強い画像ベースリスクモデルを実現しているが、先進的なシステム(例:Mirai)は、通常、畳み込みバックボーン、非常に高解像度な入力(>1Mピクセル)、単純な多視点融合を使用し、対向非対称性の明示的なモデリングが制限されている。 我々は,比較的低解像度のマンモグラムを操作しても,相補的帰納的バイアス(畳み込みと変圧器に基づく)と明示的な非対称性モデルを組み合わせることで,最先端の3年間のリスク予測性能を一致させることができると仮定し,より構造化された方法でより詳細な画像を使用することで,最先端の精度を回復できることを示した。 マンモグラフィーを意識した多視点DINOモデルであるMamaDinoについて述べる。 MamaDinoは凍結したDINOv3 ViT-Sの特徴を512x512解像度のトレーニング可能なCNNエンコーダで融合し、バイラテラミキサーを介して両側乳房情報を集計し、3年間の乳がんリスクスコアを出力する。 我々は,OPTIMAM (UK) から53,883名の女性を訓練し,適合した3年間の症例管理コホートについて検討した。 乳房レベルでは、MamaDinoは内部テストと外部テストの両方でMiraiと一致し、入力ピクセルが約13倍少ない。 BilateralMixerを追加することで、AUC 0.736 (vs 0.713) の分布と0.677 (vs 0.666) の分布に対する識別が向上し、年齢、民族、スキャナー、腫瘍の種類、グレードが一貫したパフォーマンスを持つ。 以上の結果から,比較的低分解能マンモグラフィーを施行したにもかかわらず,明らかな対向的モデリングと相補的帰納的バイアスにより,Miraiと一致した予測が可能であることが示唆された。

関連論文リスト

• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• A Large Model for Non-invasive and Personalized Management of Breast Cancer from Multiparametric MRI [19.252851972152957]
  我々は,多パラメータMRI情報を統一構造内に組み込んだMOME(Mixix-of-modality-experts Model)を開発した。 MOMEは乳がんの診断における4人の放射線科医の成績と一致し、中等放射線科医より優れている。
  論文  参考訳（メタデータ） (2024-08-08T05:04:13Z)
• 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)
• 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)
• RADIFUSION: A multi-radiomics deep learning based breast cancer risk prediction model using sequential mammographic images with image attention and bilateral asymmetry refinement [0.36355629235144304]
  本研究は, 画像注意放射能, ゲーティング機構, 左右非対称性に基づく微調整など, 様々な深層学習機構の重要性を強調した。 乳がんリスク評価のための強力なツールとして, RADIfusionが有用であることが示唆された。
  論文  参考訳（メタデータ） (2023-04-01T08:18:13Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)

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。