BI-RADS
PulseAugur coverage of BI-RADS — every cluster mentioning BI-RADS across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新框架通过双视角乳腺X线摄影融合增强乳腺癌分类
研究人员开发了一种新颖的以Token为中心的框架，通过有效融合头尾（CC）和内侧斜位（MLO）视图的信息来改进乳腺X线摄影图像的乳腺癌分类。该方法利用冻结的视觉Transformer骨干网络，并将视图间交互重新构建为结构化的Token级通信，专用的融合Token促进了跨多个Transformer深度的双向信息交换。在VinDr-Mammo数据集上的实验显示，与现有的融合基线相比，BI-RADS评估的二元分类AUC提高了0.10，取得了显著的改进。
-
新AI框架通过结构化推理增强乳腺癌诊断
研究人员开发了Latent-CURE，一种使用多模态大模型进行乳腺癌检测的新诊断框架。该框架采用不对称加权思维链方法，确保结构化的临床推理，迫使模型在做出诊断前识别BI-RADS形态学描述符。为解决恶性指标稀缺的问题，Latent-CURE采用双不对称优化策略，防止常见的良性模式掩盖关键的恶性特征。评估表明，这种注入知识的方法提供了透明的临床证据，并在不平衡的医学数据集上实现了准确的性能。
-
新AI框架MammoRG改进乳腺钼靶报告生成
研究人员开发了MammoRG，一个用于生成乳腺钼靶报告的新框架，该框架整合了先前的临床知识并模拟了诊断工作流程。与以往仅关注视觉到文本映射的方法不同，MammoRG采用了两阶段训练过程和面向术语的微调，以提高临床一致性。该系统还包括用于解析和评估生成报告的MammoRGTool，在多个临床疗效指标上表现优越。
-
AI模型在超声检查中显示出强大的乳腺密度预测能力，泛化性良好
研究人员对三种深度学习模型——DenseNet121、ViT-B/32和ResNet50——进行了外部验证，用于从超声图像预测乳腺密度。这些模型表现出强大的性能，尤其是在极度致密的乳腺中，尽管异质性致密的乳腺仍然是一个挑战。当整合到风险预测模型中时，AI衍生的密度与乳房X线摄影报告的密度显示出可比的结果，表明其在不同人群中的泛化能力。