CMAF-Net:跨模式的注意力融合与信息理论规范化,用于失衡的乳腺癌组织病理学
Wisdom Xornam Ativi1, Wenyu Chen2, Lazarus Kwao3,4
1School of Computer Science and Engineering, University of Electronic Science and Technology of China, Chengdu, 611731, China. ativiw@std.uestc.edu.cn.
Scientific reports
|February 26, 2026
概括
本研究介绍了CMAF-Net,这是一种用于乳腺癌诊断的新型深度学习模型,可以有效处理不平衡的数据并集成多个规模的功能. CMAF-Net显著提高了恶性瘤检测的准确性,即使在极端数据不平衡的情况下,它也表现出强大的性能.
科学领域:
- 计算病理学计算病理学
- 医疗图像分析 医学图像分析
- 人工智能在瘤学中的应用
背景情况:
- 从组织病理学图像进行乳腺癌诊断受到阶级不平衡和需要多级特征集成的阻碍.
- 当前的方法往往独立地解决这些挑战,导致诊断性能不足于最佳.
研究的目的:
- 开发一个统一的深度学习架构,CMAF-Net,共同解决阶级不平衡和多规模特征融合,以改善乳腺癌诊断.
- 为了利用信息瓶原则和基于边际的学习来实现理论基础的方法.
主要方法:
- 提出CMAF-Net,一个双分支CNN-变压器架构,具有跨模态注意力融合块,用于整合本地和全球功能.
- 引入了适应性阶级平衡焦点损失,以管理阶级不平衡,通过为少数阶级强制执行更大的利率.
- 利用信息理论分析和废弃研究来验证模型组件.
主要成果:
- 在IDC数据集上,CMAF-Net获得了94.92%的灵敏度和95.52%的平衡精度,在恶性病检测方面,其性能高达8.6%,超过了最先进的方法.
- 在极端99:1不平衡下表现出强的性能,保持76.45%的灵敏度.
- 在BreakHis数据集上表现出强大的零射击可转移性,平均灵敏度为95.61%.
结论:
- 通过统一处理阶级不平衡和多规模特征融合,CMAF-Net为乳腺癌诊断提供了一个原则和有效的框架.
- 拟议的方法提供了卓越的准确性-效率权衡,并且在罕见疾病检测和临床决策支持方面具有潜在的应用.
