对于多模式乳腺癌检测的等级对比解架构
Manish Paliwal1, Kanchan Lata Kashyap1
1Indian Institute of Information Technology, Kottayam, 686635, Kerala, India.
Computers in biology and medicine
|February 27, 2026
概括
一个新的层次对比解架构 (HCDA) 改进了使用多模式成像的乳腺癌检测. 灵活的设计可以处理不同的数据可用性,在某些情况下,性能优于单一的模式.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 在瘤学瘤学.
背景情况:
- 乳腺癌是全球女性的主要癌症,需要早期检测以改善存活率.
- 医学成像 (乳房影像,超声波,热) 有助于诊断,但当前的多模式系统面临局限性.
- 现有系统在数据可用性,特征纠和未配对数据集方面扎.
研究的目的:
- 为乳腺癌检测提出一个灵活的等级对比解架构 (HCDA).
- 解决多模式融合的局限性,包括可变数据可用性和未配对数据集.
- 开发一个强大的系统,以使用多种成像方式来加强乳腺癌诊断.
主要方法:
- 开发了一种灵活的多模式设计,可适应不同的成像模式可用性.
- 采用了一个带有三个编码器和直角性约束的Swin变压器来实现层次特征解.
- 利用模式内对比学习来从未配对的数据集中进行语义表示.
- 实施了条件加权投票,用于多式联运特征融合和两阶段培训战略.
主要成果:
- 单一模式的性能:乳房影像 (86.0%准确率,0.938 AUC),超声波 (84.9%准确率,0.914 AUC),热成像 (80.9%准确率,0.954 AUC).
- 双模 (乳房扫描+超声波) 实现了84.72%的准确性和0.926的AUC.
- 三种模式的聚变产生了80.94%的精度和0.937 AUC.
结论:
- 没有患者级别对应的多模式融合低于最佳单一模式 (乳房学) 的性能.
- 数据结构显著限制了核聚变的好处.
- 灵活的HCDA架构为未来的多模式医疗AI研究提供了基础.
