BreasTransNeXt: 乳がん早期診断のための強化されたマルチモジュールビジョントランスフォーマー
Hakan Acikgoz1, Alper Aytekin2, Sevgi Gezici3
1Department of Software Engineering, Faculty of Engineering, Architecture and Design, Kahramanmaras Istiklal University, Kahramanmaras, 46050, Turkey. hakan.acikgoz@istiklal.edu.tr.
Journal of imaging informatics in medicine
|February 19, 2026
まとめ
BreasTransNeXtという新しいディープラーニングモデルは,コンボリューションアーキテクチャとトランスフォーマーアーキテクチャを組み合わせることで,乳がん (BC) の早期発見を向上させています. この高度なフレームワークは,より正確なBC分類のために特性の抽出とモデルの汎用性を強化します.
科学分野:
- 医学イメージングと診断
- 医療における人工知能
- 腫瘍学 腫瘍学
背景:
- 乳がん (BC) は,世界中で女性のがん死亡の主な原因であり,早期診断は治療結果の改善に不可欠です.
- BC分類のための既存のディープラーニングモデルは,しばしば包括的な特征抽出とバランスの取れた学習が欠け,診断の正確性を妨げています.
- 多規模な機能表現を効果的に統合し,BCデータセットのクラス不均衡に対処できる高度なAIフレームワークが必要である.
研究 の 目的:
- BreasTransNeXtを導入し,堅牢で正確な乳がん分類のために設計された新しいハイブリッドのディープラーニングフレームワークである.
- BC画像のマルチスケール分析のためのコンボリューションアーキテクチャとトランスフォーマーアーキテクチャの連携により,機能表現を強化する.
- 先進的なデータ増強技術を使用してBCデータセットにおけるクラス不均衡の課題に取り組む.
主な方法:
- 開発したBreasTransNeXtは,ConvFormerのコンボリュアル誘導バイアスを,トランスフォーマーの世界的注意力メカニズムと組み合わせたハイブリッドのディープラーニングモデルです.
- データ増強のグラデーションペナルティ付きのWasserstein Generative Adversarial Networkを採用し,悪性および健康なクラスをバランスさせるために高精度合成画像を生成しました.
- ハイブリッドの注意メカニズム (ローカル・チャネル・グローバル・ブランチ・アダプティブ・ゲーティング) を統合して,細粒度病変の特徴と長距離依存を捉える.
主要な成果:
- BreasTransNeXtは,従来のコンボリューションニューラルネットワーク (CNN) およびビジョントランスフォーマー (ViT) モデルと比較して優れたパフォーマンスを達成しました.
- このモデルは,乳がんの分類において高い精度 (0.9710),リコール (0.9808),精度 (0.9808),F1スコア (0.9808) を示した.
- 実験結果は,ハイブリッドアーキテクチャと注意力メカニズムが機能表現とモデルの汎用性を向上させるのに有効であることを検証しています.
結論:
- BreasTransNeXtは,乳がんの検出のためのディープラーニングの重要な進歩を提供し,堅牢なマルチスケール機能表現と効果的なクラス不均衡緩和を提供します.
- 提案された枠組みは,乳がんの早期かつ正確な診断のための信頼できるツールとして,既存のAI方法論を改良する強力な可能性を示している.
- BreasTransNeXtの臨床統合をさらに研究することで,放射線科医を支援し,乳がんスクリーニングにおける患者のアウトカムを改善することができます.
