論文の概要: External Validation of Deep Learning Models for BI-RADS Breast Density Prediction from Ultrasound Images

• arxiv url: http://arxiv.org/abs/2605.05082v1
• Date: Wed, 06 May 2026 16:19:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.926977
• Title: External Validation of Deep Learning Models for BI-RADS Breast Density Prediction from Ultrasound Images
• Title（参考訳）: 超音波画像を用いたBI-RADS乳腺密度予測のための深層学習モデルの外部検証
• Abstract要約: 3種類の深層学習モデルを用いて乳房超音波検査による乳房密度の予測を行った。 DenseNet121は、最高パフォーマンス(AUROC 0.885)を達成した。 AI由来の密度と組み合わせると、AUROCは年齢よりも低い値を示し、マンモグラフィーが報告した密度と組み合わせた。
• 参考スコア（独自算出の注目度）: 10.123330894322843
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We externally validated three deep learning models (DenseNet121, ViT-B/32, and ResNet50) for predicting mammographic breast density from breast ultrasound exams on an independent cohort. The external validation set comprised 2,000 ultrasound exams, including 500 cancer cases defined by an initial negative exam (BI-RADS 1 or 2) followed by a cancer diagnosis within 6 months to 10 years, and 1,500 negative controls matched by manufacturer and study year. Performance was measured using patient-level AUROC across four density categories: A (fatty), B (scattered), C (heterogeneous), and D (extremely dense). As a downstream assessment, we also evaluated 10-year risk prediction by incorporating age and AI-derived density into the Tyrer-Cuzick model and comparing performance against a reference model using age and mammography-reported density. All three models performed best in extremely dense breasts (AUROC 0.868-0.899), with strong performance in fatty (0.814-0.838) and scattered density (0.764-0.799), and lower performance in heterogeneously dense breasts (0.699-0.729). DenseNet121 achieved the highest overall performance (micro-averaged AUROC 0.885), and performance across categories was comparable between internal and external testing. For risk modeling, age combined with AI-derived density yielded a lower AUROC than age combined with mammography-reported density (0.541 vs. 0.570; p = 0.23), with no statistically significant difference. These findings indicate that deep learning models generalize well to external data with different racial composition for breast density assessment. While performance is strongest in extremely dense breasts, heterogeneously dense remains more challenging, highlighting the need for targeted optimization.
• Abstract（参考訳）: DenseNet121, ViT-B/32, ResNet50の3種類の深層学習モデルを用いて, 乳房超音波検査による乳房密度の予測を行った。 初回陰性検査(BI-RADS 1 or 2)で定義された500件のがん症例と,6カ月から10年以内に癌診断,製造業者および研究年度の1500件の陰性コントロールを含む2,000件の超音波検査からなる。 A (fatty), B (scattered), C (heterogeneous), D (extremely dense) の4つの密度カテゴリの患者レベル AUROC を用いて測定した。 下流アセスメントとして,Tyrer-Cuzickモデルに年齢とAI由来の密度を組み込んだ10年間のリスク予測と,年齢とマンモグラフィーで報告した密度を用いた基準モデルとの比較を行った。 いずれも高密度乳房 (AUROC 0.868-0.899) で最高の性能を示し、脂肪 (0.814-0.838) と散乱密度 (0.764-0.799) が強く、不均一に密度の高い乳房 (0.699-0.729) では低い性能を示した。 DenseNet121は最高性能(AUROC 0.885)を達成し、内部テストと外部テストに匹敵する性能を示した。 リスクモデリングでは、AI由来の密度と組み合わせると、年齢よりもAUROCが低い値(0.541 vs. 0.570; p = 0.23)となり、統計的に有意な差はなかった。 これらの結果から,乳房密度評価のための人種構成の異なる外部データに対して,深層学習モデルが良好に一般化されることが示唆された。 非常に高密度の乳房ではパフォーマンスが最強だが、不均一に高密度な乳房は依然として困難であり、目標とする最適化の必要性を強調している。

関連論文リスト

• AEGIS: A Multi-Task Joint-Embedding Predictive Architecture for Mammography [0.0]
  自己教師型共同埋め込み予測アーキテクチャ(JEPA)を用いて3種類の視覚変換器(Small/Base/Large)を訓練する。 785-study 検体では, 乳腺癌トリアージにおいて, 93%の感度, 75%の特異性を有する0.949が得られた。 乳房密度分類では、2進分類では0.953 AUC、Breast Imaging Reporting and Data System (BI-RADS) では62.6%の精度を達成している。
  論文  参考訳（メタデータ） (2026-06-30T23:52:55Z)
• DensiThAI, A Multi-View Deep Learning Framework for Breast Density Estimation using Infrared Images [0.8594140167290097]
  本研究では, 赤外線サーマル画像を用いた乳房密度推定の可能性について検討した。 熱画像からの乳房密度分類のための多視点深層学習フレームワークであるDensiThAIを提案する。
  論文  参考訳（メタデータ） (2026-01-29T07:53:57Z)
• Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
  長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。 入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
  論文  参考訳（メタデータ） (2026-01-07T23:35:24Z)
• DBT-DINO: Towards Foundation model based analysis of Digital Breast Tomosynthesis [0.21779971965303613]
  基礎モデルは医用画像において有望であるが、3次元画像のモダリティについては未検討のままである。 現在、乳がん検診に使われているが、Digital Breast Tomo synthesis (DBT) の基礎モデルは存在しない。 前例のない大きさのデータセットを用いてDense-Dinoを開発した。
  論文  参考訳（メタデータ） (2025-12-15T18:03:09Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• Subgroup Performance of a Commercial Digital Breast Tomosynthesis Model for Breast Cancer Detection [5.089670339445636]
  本研究では,163,449検診大振り返りコホートにおけるLunit INSIGHTモデルの粒度評価を行った。 成績は人口統計学的に良好であったが,非浸潤性癌では有意に低い成績を示した。
  論文  参考訳（メタデータ） (2025-03-17T17:17:36Z)
• 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)
• Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
  460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
  論文  参考訳（メタデータ） (2024-03-27T16:56:14Z)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• 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)
• Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
  19,993症例から36,316巻の胸部CTデータセットを収集,解析した。 自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。 胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
  論文  参考訳（メタデータ） (2020-02-12T00:59:23Z)

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。