斯温CAMF-Net:可解释的跨注意力多模式斯温网络用于乳房图分析
Lakshmi Prasanthi R S Narayanam1, Thirupathi N Rao2, Deva S Kumar1
1Department of Computer Science and Engineering, Vignan's Foundation for Science, Technology & Research, Vadlamudi, Guntur 522213, AP, India.
Diagnostics (Basel, Switzerland)
|December 11, 2025
概括
这项研究介绍了SwinCAMF-Net,这是一种结合乳房影像,3D扫描和临床数据的AI模型,用于更准确的乳腺癌检测和细分. 这种新的方法提高了乳腺癌分析中的诊断性能和解释性.
科学领域:
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
- 在瘤学瘤学.
背景情况:
- 乳腺癌仍然是女性死亡的重要原因,这强调了早期和更准确的诊断方法的需要.
- 目前的乳房造影系统往往缺乏体积和临床数据的整合,限制了诊断准确度.
- 现有的深度学习模型通常使用2D功能,缺乏跨模式推理,阻碍了全面分析.
研究的目的:
- 开发SwinCAMF-Net,一个多式模式的深度学习网络,利用交叉注意力来改进乳腺病变的联合分类和细分.
- 整合多视图乳房学,3D感兴趣区域 (ROI) 卷和临床元数据,以增强诊断能力.
主要方法:
- 在SwinCAMF-Net中,使用Swin变压器进行乳腺特征提取,使用3D CNN进行体积数据分析.
- 临床投影模块结合了患者元数据,交叉注意力融合 (CAF) 模块对齐了多模式特征.
- 融合特征用于恶性瘤分类和病变细分.
主要成果:
- SwinCAMF-Net实现了高性能指标:0.978准确度,0.998AUC-ROC,以及0.944F1分数用于分类.
- 细分性能达到了0.931.9的子系数.
- 废弃性研究表明,CAF模块的性能提高了6.9%,验证了其在多式联中的有效性.
结论:
- SwinCAMF-Net有效地集成使用交叉注意力进行高级乳腺癌分析的多式联络数据.
- 该模型提供了更好的诊断性能和临床解释性,显示了人工智能辅助查和放射学决策支持的潜力.
