[論文レビュー] DensiThAI, A Multi-View Deep Learning Framework for Breast Density Estimation using Infrared Images

Siva Teja Kakileti, Geetha Manjunath|arXiv (Cornell University)|Jan 29, 2026

Infrared Thermography in Medicine被引用数 0

ひとこと要約

DensiThAI は、非イオン化赤外線熱画像から乳房密度を推定するマルチビュー深層学習フレームワークを提案し、3,500人の女性データを用いた10回のランダム分割で AUROC 0.73 を達成。

ABSTRACT

Breast tissue density is a key biomarker of breast cancer risk and a major factor affecting mammographic sensitivity. However, density assessment currently relies almost exclusively on X-ray mammography, an ionizing imaging modality. This study investigates the feasibility of estimating breast density using artificial intelligence over infrared thermal images, offering a non-ionizing imaging approach. The underlying hypothesis is that fibroglandular and adipose tissues exhibit distinct thermophysical and physiological properties, leading to subtle but spatially coherent temperature variations on the breast surface. In this paper, we propose DensiThAI, a multi-view deep learning framework for breast density classification from thermal images. The framework was evaluated on a multi-center dataset of 3,500 women using mammography-derived density labels as reference. Using five standard thermal views, DensiThAI achieved a mean AUROC of 0.73 across 10 random splits, with statistically significant separation between density classes across all splits (p << 0.05). Consistent performance across age cohorts supports the potential of thermal imaging as a non-ionizing approach for breast density assessment with implications for improved patient experience and workflow optimization.

研究の動機と目的

• X線マンモグラフィーによる乳房密度評価に対する非イオン化の代替手段を動機づける。
• 赤外線熱画像には繊維腺組織と脂肪組織に対応する識別的な熱物性信号が含まれるか検討する。
• 熱画像から乳房密度を分類するマルチビュー深層学習フレームワークを開発する。
• マンモグラフィ由来の密度ラベルを参照として用い、マルチセンターのデータセットでフレームワークを検証する。
• 臨床ワークフロー組み込みを支援するため、年齢コホート間の頑健性を評価する。

提案手法

• DensiThAI を提案する、5つの標準的な熱画像ビューからの乳房密度分類のマルチビュー深層学習フレームワーク。
• fibroglandular と adipose 組織の熱物理的差を活用し、乳房表面の空間的に整合した温度変動を捉える。
• 密度ラベルをマンモグラフィ由来の参照として用い、3,500名のマルチセンター データセットで訓練・評価する。
• ランダム分割を10回行い平均 AUROC を報告し、統計的有意性検定（p << 0.05）を実施する。
• さまざまな年齢コホート間での性能一貫性を評価し、頑健性を示す。

実験結果

リサーチクエスチョン

• RQ1 赤外線サーモグラフィが、マンモグラフィ由来ラベルと一致する識別的パターンを乳房密度として示すことができるか。
• RQ2 マルチビュー熱画像アプローチは、単一ビュー手法より乳房密度分類性能を改善するか。
• RQ3 提案する DensiThAI フレームワークは年齢グループやマルチセンター数据で頑健か。
• RQ4 複数回のランダム分割における全体的な診断性能（AUROC）はどの程度か。
• RQ5 密度クラスの分離において結果は統計的に有意か。

主な発見

• 10回のランダム分割における平均 AUROC は 0.73。
• すべての分割で密度クラス間の分離は統計的に有意（p << 0.05）。
• 3,500名を含むマルチセンターデータセットで評価。
• フレームワークで使用される5つの標準的な熱ビュー。
• 年齢コホートをまたいだ一貫した性能で、非イオン化赤外線 imaging が密度評価に有効であることを支持。