MEDICINE & AI

タイトル：CMAF-Net: cross-modal attention fusion with information-theoretic regularization for imbalanced breast cancer histopathology 雑誌名：Sci Rep. 2026 Feb 26; doi: 10.1038/s41598-025-32794-1. Epub 2026 Feb 26. 概　要： 乳癌の組織病理画像からの診断は、悪性ケースが少数派であるための深刻なクラス不均衡と、複数の空間スケールでの特徴統合の必要性という2つの要因により困難です。本研究では、情報ボトルネック原理とマージンベースの学習を統合したCMAF-Netを提案し、これらの課題に同時に対処します。CMAF-Netは、温度制御されたアテンションと冗長性最小化を実装したクロスモーダルアテンション融合ブロックを介して融合された二重ブランチのCNN-Transformerバックボーンを採用しています。分類レベルでは、少数クラスに対して大きなマージンを強制し、特徴分布に動的に適応する適応クラスバランス焦点損失を導入しました。IDCデータセットでの実験により、CMAF-Netは94.92%の感度と95.52%のバランス精度を達成し、悪性検出で最先端のベースラインを最大8.6%上回りました。極端な99:1の不均衡下でも76.45%の感度を維持し、競合手法が壊滅的に失敗する中で優れた性能を示しました。BreakHisデータセットでのクロスデータセット評価では、4つの倍率で平均95.61%の感度を示し、堅牢なゼロショット転送を確認しました。各コンポーネントの寄与を検証するアブレーション研究と情報理論的分析も行い、CMAF-Netは以前の融合ネットワークに比べて優れた精度と効率のトレードオフを実現しています。このフレームワークは、クラス不均衡下での情報理論的融合の原則的なテンプレートを確立し、希少疾患の検出や臨床意思決定支援、さらには広範なマルチモーダル学習タスクへの応用が期待されます。 方　法： 本研究は、乳癌組織病理学の不均衡データに対処するための新しいアーキテクチャCMAF-Netを提案しています。CMAF-Netは、二重ブランチのCNN-Transformerバックボーンを使用し、クロスモーダルアテンション融合ブロックを介して特徴を融合します。適応クラスバランス焦点損失を用いて、少数クラスに対して大きなマージンを強制し、特徴分布に動的に適応します。実験はIDCデータセットで行われ、感度とバランス精度を評価しました。 結　果： CMAF-Netは、IDCデータセットで94.92%の感度と95.52%のバランス精度を達成し、悪性検出で最先端の手法を最大8.6%上回りました。99:1の極端な不均衡下でも76.45%の感度を維持し、BreakHisデータセットでの評価では平均95.61%の感度を示しました。アブレーション研究により、各コンポーネントの寄与が確認され、CMAF-Netは以前の融合ネットワークに比べて優れた精度と効率のトレードオフを実現しました。 結　論： CMAF-Netは、乳癌の診断において高い精度を示し、クラス不均衡に対処するための新たなアプローチを提供します。このフレームワークは、希少疾患の検出や臨床意思決定支援など、他のマルチモーダル学習タスクにも応用可能な原則的なテンプレートを確立しています。