論文の概要: Hybrid Cross-Modal Attention Network for Early Breast Cancer Detection in Low-Resource Clinical Settings
- arxiv url: http://arxiv.org/abs/2610.07243v1
- Date: Mon, 05 Oct 2026 18:44:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.602277
- Title: Hybrid Cross-Modal Attention Network for Early Breast Cancer Detection in Low-Resource Clinical Settings
- Title（参考訳）: 低リソース医療施設における早期乳癌検出のためのハイブリッドクロスモーダルアテンションネットワーク
- Abstract要約: サハラ以南のアフリカでは、乳癌ががん関連死亡の原因となっている。
深層学習モデルはマンモグラフィー解析において強い性能を示した。
本稿では,マンモグラム画像と構造化臨床データを統合したHybrid Cross-Modal Attention Network(HCMAN)を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Breast cancer is the leading cause of cancer-related mortality among women in Sub-Saharan Africa, where delayed diagnosis results from limited radiology expertise and fragmented clinical data systems. Although deep learning models have demonstrated strong performance in mammographic analysis, most rely solely on imaging data and are trained on Western populations, limiting their applicability in African healthcare settings. This paper presents a Hybrid Cross-Modal Attention Network (HCMAN) that integrates mammogram images with structured clinical data using transformer-based cross-modal attention mechanisms. The model was developed and validated using a locally collected dataset of 2,560 mammogram images from 1,024 patients across four Ethiopian referral hospitals, with biopsy-confirmed ground truth labels. The proposed framework achieves 97.8% accuracy, 97.2% sensitivity, 98.3% specificity, and an AUC of 0.987, significantly outperforming image-only baselines. The system demonstrates robustness to low-quality images typical of resource-limited settings, with only 3.2% performance degradation compared to 8.7% for image-only models. Cross-modal attention analysis reveals clinically appropriate behavior: higher reliance on clinical features for ambiguous cases such as dense breasts and young patients. The model's lightweight architecture enables deployment on standard hospital workstations (<2 seconds inference on CPU). This work advances sustainable, context-aware AI solutions for equitable breast cancer diagnostics in Africa.
- Abstract（参考訳）: サハラ以南のアフリカでは、放射線学の専門知識や断片化された臨床データシステムによる診断が遅れているため、乳癌ががん関連死亡の原因となっている。
深層学習モデルはマンモグラフィー解析において強い性能を示してきたが、そのほとんどは画像データに頼っており、西欧の人口で訓練されており、アフリカの医療環境における適用性が制限されている。
本稿では,トランスフォーマーを用いたクロスモーダルアテンション機構を用いて,マンモグラフィ画像と構造化された臨床データを統合するハイブリッド・クロスモーダルアテンション・ネットワーク(HCMAN)を提案する。
このモデルはエチオピアの4つの病院で1024人の患者から収集された2,560枚のマンモグラフィー画像を用いて,生検で確認された地上の真実ラベルを用いて開発・検証した。
提案したフレームワークは、97.8%の精度、97.2%の感度、98.3%の特異性、0.987のAUCを達成し、画像のみのベースラインを著しく上回っている。
このシステムは、リソース制限設定の典型的な低品質画像に対して堅牢性を示し、画像のみのモデルでは8.7%に比べてパフォーマンスが3.2%しか低下していない。
クロスモーダル・アテンション分析は、乳がんや若年者などの曖昧な症例に対する臨床的特徴への高い依存度という、臨床的に適切な行動を示す。
モデルの軽量なアーキテクチャは、標準的な病院のワークステーション(CPU上の2秒間推測)へのデプロイを可能にする。
この研究は、アフリカにおける同等の乳がん診断のための持続的でコンテキスト対応のAIソリューションを前進させる。
関連論文リスト
- BenchX: Benchmarking AI Models for Cancer Detection and Localization with Demographic and Protocol Biases [59.19934491064188]
人工知能(AI)は医療画像において顕著な成功を収めた。
これらのモデルは、実世界の臨床環境において矛盾なく機能することが多い。
我々は,12種類の腫瘍検出AIモデルを体系的に評価する85,355個のCTスキャンのベンチマークを開発した。
論文 参考訳（メタデータ） (2026-06-23T17:58:59Z) - DSU-Net: An Attention-Enhanced Dense Skip U-Net for Breast Lesion Segmentation in Mammographic Images [0.0]
本研究は,マンモグラフィ画像における乳房病変自動分割のための注目度向上型Skip U-NetアーキテクチャであるDSU-Netを提案する。
このフレームワークは、密集したスキップ接続とアテンション機構を統合し、特徴伝播を改善し、空間情報を保存し、病変境界線を延長する。
提案したモデルはDice similarity Coefficientの0.9421、Intersection over Unionの0.8905、精度0.9711、AUC-ROCの0.9878を検証データセット上で達成した。
論文 参考訳（メタデータ） (2026-06-03T23:09:03Z) - FairGen: Preference-Aligned Diffusion for Demographically Equitable Medical Image Synthesis [44.21684876717324]
人口統計学的にバランスの取れた医療画像を合成するフェアネス対応拡散フレームワークであるFairGenを紹介する。
医師の好みを生成プロセスに組み込むことで、FairGenは合成時のカバレッジと下流の分類を改善する。
論文 参考訳（メタデータ） (2026-06-01T15:45:20Z) - An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。
本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。
本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
論文 参考訳（メタデータ） (2025-10-21T17:18:55Z) - Cross-Attention Multimodal Fusion for Breast Cancer Diagnosis: Integrating Mammography and Clinical Data with Explainability [0.0]
現在のコンピュータ支援システムはマンモグラムの特徴しか利用していない。
臨床的特徴は乳腺病変の分類を著しく向上させるか?
説明可能なAIアプローチは、乳がんの診断に使用されるモデルの解釈可能性と信頼性を改善するにはどうすればよいのか?
論文 参考訳（メタデータ） (2025-08-21T23:23:06Z) - Leveraging Medical Foundation Model Features in Graph Neural Network-Based Retrieval of Breast Histopathology Images [1.48419209885019]
本稿では,胸部組織像検索のための新しいアテンションベース逆正則変分グラフオートエンコーダモデルを提案する。
UNIの特徴でトレーニングされた当社のトップパフォーマンスモデルでは,平均mAP/mMVスコアが96.7%/91.5%,97.6%/94.2%,BACHデータセットが97.6%/94.2%であった。
論文 参考訳（メタデータ） (2024-05-07T11:24:37Z) - 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) - 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) - 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) - An interpretable classifier for high-resolution breast cancer screening
images utilizing weakly supervised localization [45.00998416720726]
医用画像の特徴に対処する枠組みを提案する。
このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。
次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。
最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
論文 参考訳（メタデータ） (2020-02-13T15:28:42Z)
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。