[논문 리뷰] DensiThAI, A Multi-View Deep Learning Framework for Breast Density Estimation using Infrared Images

Siva Teja Kakileti, Geetha Manjunath|arXiv (Cornell University)|2026. 01. 29.

Infrared Thermography in Medicine인용 수 0

한 줄 요약

DensiThAI는 비전리성 적외선 열 영상으로 유방 밀도를 추정하기 위한 다중 시야 딥 러닝 프레임워크를 제안하며, mammography-derived density labels를 사용한 3,500명 다기관 데이터셋에서 10개의 무작위 분할에 대해 AUROC 0.73을 달성했습니다.

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.

연구 동기 및 목표

• 이온화 방사선 문제로 인해 X선 유방촬영술의 비이온화 대안 필요성을 제시한다.
• 적외선 열 영상이 섬유선조직(fibroglandular)과 지방조직(adipose) 간의 판별 가능한 열물리 신호를 포함하는지 조사한다.
• 열 영상에서 유방 밀도를 분류하기 위한 다중 시야 딥 러닝 프레임워크를 개발한다.
• 참고 기준으로 mammography-derived density labels를 사용하여 다기관 데이터셋에서 프레임워크를 검증한다.
• 임상 워크플로우 통합 가능성을 지원하기 위해 연령 코호트 간의 강건성을 평가한다.

제안 방법

• 다섯 가지 표준 열 뷰로부터 유방 밀도 분류를 위한 다중 시야 딥 러닝 프레임워크인 DensiThAI를 제안한다.
• 섬유선조직과 지방조직 간의 열물리적 차이를 활용하여 유방 표면의 공간적으로 일관된 온도 변화를 포착한다.
• mammography로부터 파생된 밀도 라벨을 참조로 하여 3,500명의 다기관 데이터셋에서 학습하고 평가한다.
• 10개의 무작위 분할에서 평균 AUROC를 보고하고 통계적 유의성 검정(p << 0.05)을 수행한다.
• 다른 연령 코호트 간의 성능 일관성을 평가하여 강건성을 입증한다.

실험 결과

연구 질문

• RQ1 적외선 열상촬영이 mammography-derived 라벨과 일치하는 유방 밀도에 대응하는 판별 가능한 패턴을 드러낼 수 있는가?
• RQ2 다중 시야 열화상 접근법이 단일 시야 방법에 비해 유방 밀도 분류 성능을 향상시키는가?
• RQ3 제안된 DensiThAI 프레임워크가 연령 그룹 및 다기관 데이터에서 강건한가?
• RQ4 여러 무작위 분할에 걸친 프레임워크의 전반적 진단 성능(AUROC)은 무엇인가?
• RQ5 밀도 클래스를 구분하는 데 결과가 통계적으로 유의한가?

주요 결과

• Mean AUROC of 0.73 across 10 random splits.
• Statistically significant separation between density classes across all splits (p << 0.05).
• Evaluation on a multi-center dataset comprising 3,500 women.
• Five standard thermal views used in the framework.
• Consistent performance across age cohorts, supporting non-ionizing infrared imaging viability for density assessment.