TransBreastNet是一个CNN变压器混合深度学习框架,用于乳腺癌亚型分类和性病变进展分析
Aluri Brahmareddy1, Mercy Paul Selvan2
1Dept. Of Computer Science and Engineering, Sathyabama Institute of Science and Technology, Jeppiaar Nagar, Rajiv Gandhi Salai, Chennai, 600 119, Tamilnadu, India. brahmareddy475@gmail.com.
Scientific reports
|October 8, 2025
概括
通过 BreastXploreAI 改善乳腺癌诊断,这是一个深度学习框架,用于分析乳房影像. 它通过整合空间,时间和临床数据来准确预测癌症亚型和阶段,以获得更好的患者结果.
科学领域:
- 医学成像和诊断 医学成像和诊断
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 乳腺癌诊断在很大程度上依赖于乳房扫描,但当前的深度学习模型往往缺乏整合纵向数据和临床背景.
- 现有的模型通常专注于单视图图像和静态分析,限制了它们捕捉疾病进展的能力.
- 同时预测乳腺癌亚型和阶段通常不被解决,这阻碍了全面的诊断评估.
研究的目的:
- 推出BreastXploreAI,一个多式联机,多任务的深度学习框架,用于增强乳腺癌诊断.
- 开发一种混合深度学习架构 (TransBreastNet),整合空间,时间和临床数据以提高准确性.
- 为了能够同时预测乳腺癌亚型和疾病阶段,解决孤立分类模型的局限性.
主要方法:
- 开发了TransBreastNet,这是一个混合CNN-Transformer架构,用于空间和时间损伤编码.
- 使用密集元数据编码器集成患者特定的临床元数据.
- 使用双头分类器同时预测乳腺癌亚型和阶段,并对时间数据进行序列增强.
主要成果:
- BreastXploreAI在公开的乳房造影数据集上实现了高性能,超过了最先进的基线.
- 亚型分类的宏观准确率达到95.2%,而阶段预测的宏观准确率为93.8%.
- 废弃性研究证实了框架内每个模块的重大贡献.
结论:
- 乳腺XploreAI提供了一个强大的,可扩展的,和临床相关的方法来诊断乳腺癌从乳房影像.
- 该框架能够共同建模空间,时间和临床特征,从而提高诊断准确性和可解释性.
- 这种多模式,多任务的深度学习系统为改善瘤学临床决策支持提供了基础.