DOI: https://doi.org/10.1038/s41598-025-19173-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41062795
تاريخ النشر: 2025-10-08
المؤلف: A. Brahmareddy وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في اكتشاف السرطان
نظرة عامة
تقدم ورقة البحث BreastXploreAI، وهو إطار عمل جديد متعدد الأنماط ومتعدد المهام في التعلم العميق يهدف إلى تحسين تشخيص سرطان الثدي من خلال تحسين تصنيف الأنماط وتحليل تقدم الآفات. جوهر هذا الإطار هو TransBreastNet، الذي يدمج الشبكات العصبية التلافيفية (CNNs) لاستخراج الميزات المكانية، وطرق قائمة على المحولات للتشفير الزمني، ومشفرات بيانات كثيفة لدمج المعلومات السريرية الخاصة بالمرضى. يسمح هذا الهيكل الهجين بالتنبؤات المتزامنة لأنماط سرطان الثدي ومراحل المرض، محققًا درجات دقة كلية تبلغ 95.2% لتصنيف الأنماط و93.8% لتنبؤ المرحلة على مجموعة بيانات عامة للأشعة السينية للثدي.
يتناول BreastXploreAI القيود الكبيرة للنماذج الحالية من خلال دمج التقدم الزمني والسياق السريري، مما يوفر أداة تشخيصية أكثر شمولاً. كما ينتج الإطار تسلسلات آفات زمنية صناعية لتعزيز التعلم عندما تكون البيانات الطولية نادرة. بالإضافة إلى ذلك، تعمل وحدات الشرح المدمجة على تحسين القابلية للتفسير وتعزيز الثقة السريرية. تختتم الدراسة بأن BreastXploreAI يمثل تقدمًا كبيرًا في علم الأورام المدعوم بالذكاء الاصطناعي، حيث يقدم حلاً قويًا وقابلًا للتوسع يمكن تكييفه لمجالات الأمراض الأخرى المعتمدة على التصوير، بينما يضع الأساس للبحوث المستقبلية في أنظمة التصوير الطبي القابلة للتفسير والواعية زمنياً.
الطرق
في هذا القسم، يقدم المؤلفون منهجية مفصلة لتقييم نظام BreastXploreAI، المصمم لتصنيف أنماط سرطان الثدي وتنبؤ المرحلة الزمنية. تضمنت سير العمل التجريبي معالجة تسلسلات الأشعة السينية للثدي والبيانات السريرية، تلتها عملية تحقق متقاطع من 5 طيات مقسمة حسب مستوى المريض لضمان سلامة مجموعة البيانات. تم تدريب هيكل TransBreastNet مع زيادة البيانات ووزن الفئات لمعالجة عدم توازن الفئات. تم استخدام مقاييس الأداء مثل الدقة، والمساحة تحت المنحنى (AUC)، والحساسية، والنوعية، والأهمية الإحصائية (باستخدام اختبار t لطلاب) جنبًا إلى جنب مع تصورات Grad-CAM للتفسير.
تم إجراء التجارب على محطة عمل عالية الأداء تحتوي على وحدة معالجة الرسوميات NVIDIA RTX 3090 واستخدمت Python مع مكتبات مثل PyTorch وScikit-learn للتنفيذ. شمل تدريب النموذج حجم دفعة قدره 16 على مدى 50 حقبة، مع معدل تعلم أولي قدره 0.0001 تم تحسينه باستخدام مُحسِّن Adam. تم تقسيم مجموعة البيانات إلى مجموعات تحضيرية، وتحقق، وتقييم بنسبة 80:10:10، مما يضمن توزيعًا متوازنًا للفئات وتجنب تسرب المعلومات. شملت تقييمات الأداء الدقة، والدقة، والاسترجاع، ودرجة F1، مع المتوسط الكلي لأخذ عدم توازن الفئات في الاعتبار. تأكد المؤلفون من أن جميع المقارنات الأساسية اتبعت هيكلًا تجريبيًا متسقًا للحفاظ على إمكانية التكرار. المواد المتعلقة بالبحث متاحة عند الطلب من المؤلف المقابل.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التقدم الكبير في نماذج التعلم العميق لتصنيف أنماط سرطان الثدي، مع التأكيد على فعالية الهياكل المختلفة، بما في ذلك الشبكات العصبية التلافيفية (CNNs)، والمحولات البصرية (ViTs)، والنماذج الهجينة. تشمل المساهمات الملحوظة إطار عمل قدمه إيشرت جهان وآخرون يدمج بين CNNs وViTs لتصنيف الصور الكاملة، محققًا دقة عالية. بالمثل، طور مارغو صبري وآخرون إطار عمل ViT متعدد الدقة يعزز من قوة التصنيف من خلال اتخاذ قرارات جماعية. تناقش الورقة أيضًا دمج البيانات السريرية مع بيانات التصوير لتحسين أطر التعلم المتعدد المهام، كما يتضح من عمل ساتوشي شيراي وآخرون، الذين حققوا أداءً متفوقًا في تصنيف أنماط الورم الدبقي من خلال دمج البيانات السريرية والأنسجة.
علاوة على ذلك، يبرز القسم أهمية التحليلات الزمنية والطولية في تشخيص سرطان الثدي، التي تستفيد من بيانات التصوير المتسلسلة لتعزيز توقعات تقدم المرض. أظهرت دراسات مختلفة أن دمج آليات الانتباه وهياكل المحولات يمكن أن يحسن بشكل كبير من دقة التشخيص وقابلية التفسير. تختتم الورقة بالإشارة إلى أنه بينما تتفوق العديد من النماذج الحالية في مهام التصنيف، فإنها غالبًا ما تغفل دمج التقدم الزمني والبيانات السريرية. يهدف إطار عمل BreastXploreAI المقترح إلى معالجة هذه الفجوات من خلال تقديم نهج شامل ومتعدد الأنماط ومتعدد المهام يلتقط الإشارات المكانية والزمنية والسريرية، مما يعزز من حالة الفن في الكشف عن سرطان الثدي وتحليل تقدم المرض.
القيود
يسلط قسم القيود الضوء على عدة قيود لنموذج TransBreastNet المقترح، على الرغم من أدائه الواعد في تصنيف سرطان الثدي. أحد القيود الكبيرة هو الاعتماد على تسلسلات الآفات الزمنية الصناعية، التي، على الرغم من فائدتها في النمذجة، قد لا تعكس بدقة التقدم البيولوجي الحقيقي، مما يقلل من واقعية النموذج البيولوجية. بالإضافة إلى ذلك، استخدمت الدراسة مجموعة بيانات أولية واحدة، مما يثير القلق بشأن إمكانية تعميم النموذج عبر مجموعات سكانية وطرق تصوير متنوعة.
علاوة على ذلك، كانت البيانات السريرية المدمجة في النموذج محدودة بمجموعة صغيرة من المتغيرات، مما قد يغفل عوامل أخرى مؤثرة خاصة بالمرضى. يؤكد المؤلفون على ضرورة أن تشمل الأبحاث المستقبلية مجموعات بيانات زمنية حقيقية، والتحقق عبر مؤسسات متعددة، ونطاق أوسع من البيانات السريرية. هذه المقاربة ضرورية لتعزيز قابلية تطبيق النموذج ولتسجيل التعقيد الكامل لتقدم الآفات في الإعدادات السريرية.
DOI: https://doi.org/10.1038/s41598-025-19173-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41062795
Publication Date: 2025-10-08
Author(s): A. Brahmareddy et al.
Primary Topic: AI in cancer detection
Overview
The research paper introduces BreastXploreAI, a novel multimodal, multitask deep learning framework aimed at improving breast cancer diagnosis through enhanced subtype classification and lesion progression analysis. The core of this framework is TransBreastNet, which integrates convolutional neural networks (CNNs) for spatial feature extraction, Transformer-based methods for temporal encoding, and dense metadata encoders to incorporate patient-specific clinical information. This hybrid architecture allows for simultaneous predictions of breast cancer subtypes and disease stages, achieving macro accuracy scores of 95.2% for subtype classification and 93.8% for stage prediction on a public mammogram dataset.
BreastXploreAI addresses significant limitations of existing models by incorporating temporal progression and clinical context, thereby providing a more comprehensive diagnostic tool. The framework also generates synthetic temporal lesion sequences to enhance learning when longitudinal data is scarce. Additionally, built-in explainability modules improve interpretability and foster clinical trust. The study concludes that BreastXploreAI represents a significant advancement in AI-assisted oncology, offering a robust, scalable solution that can be adapted for other imaging-based disease domains, while laying the groundwork for future research in explainable and temporally aware medical imaging systems.
Methods
In this section, the authors present a detailed methodology for evaluating the BreastXploreAI system, which is designed for breast cancer subtype classification and temporal stage prediction. The experimental workflow involved preprocessing mammogram sequences and clinical metadata, followed by a 5-fold cross-validation stratified by patient-level separation to ensure dataset integrity. The TransBreastNet architecture was trained with data augmentation and class-weighting to address class imbalance. Performance metrics such as accuracy, area under the curve (AUC), sensitivity, specificity, and statistical significance (using the Student’s t-test) were employed, alongside Grad-CAM visualizations for interpretability.
The experiments were conducted on a high-performance workstation featuring an NVIDIA RTX 3090 GPU and utilized Python with libraries such as PyTorch and Scikit-learn for implementation. The model training involved a batch size of 16 over 50 epochs, with an initial learning rate of 0.0001 optimized using the Adam optimizer. The dataset was divided into preparatory, validation, and evaluation subsets in an 80:10:10 ratio, ensuring balanced class distribution and avoiding information leakage. Performance assessments included accuracy, precision, recall, and F1-score, with macro-averaging to account for class imbalances. The authors ensured that all baseline comparisons followed a consistent experimental structure to maintain reproducibility. Materials related to the research are available upon request from the corresponding author.
Discussion
The discussion section of the research paper highlights significant advancements in deep learning models for breast cancer subtype classification, emphasizing the effectiveness of various architectures, including Convolutional Neural Networks (CNNs), Vision Transformers (ViTs), and hybrid models. Notable contributions include a framework by Ishrat Jahan et al. that integrates CNNs and ViTs for whole-slide image classification, achieving high accuracy. Similarly, Margo Sabry et al. developed a multi-resolution ViT framework that enhances classification robustness through ensemble decision-making. The paper also discusses the integration of clinical metadata with imaging data to improve multi-task learning frameworks, as demonstrated by Satoshi Shirae et al., who achieved superior performance in glioma subtype classification by combining clinical and histopathological data.
Moreover, the section underscores the importance of temporal and longitudinal analyses in breast cancer diagnosis, which leverage sequential imaging data to enhance disease progression predictions. Various studies have shown that incorporating attention mechanisms and transformer architectures can significantly improve diagnostic accuracy and interpretability. The paper concludes by noting that while many existing models excel in classification tasks, they often overlook the integration of temporal progression and clinical metadata. The proposed BreastXploreAI framework aims to address these gaps by offering a comprehensive, multi-modal, and multi-task approach that captures spatial, temporal, and clinical cues, thereby advancing the state-of-the-art in breast cancer detection and progression analysis.
Limitations
The section on limitations highlights several constraints of the proposed TransBreastNet model, despite its promising performance in breast cancer classification. One significant limitation is the reliance on synthetic temporal lesion sequences, which, while beneficial for modeling, may not accurately reflect real biological progression, thereby reducing the model’s biological realism. Additionally, the study utilized a single primary dataset, which raises concerns about the generalizability of the model across diverse populations and imaging modalities.
Furthermore, the clinical metadata incorporated into the model was limited to a small subset of variables, potentially overlooking other influential patient-specific factors. The authors emphasize the necessity for future research to include real multi-temporal datasets, validation across multiple institutions, and a broader range of clinical metadata. This approach is essential to enhance the model’s applicability and to capture the full complexity of lesion progression in clinical settings.