[论文解读] 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 0

一句话总结

DensiThAI 提出一种多视角深度学习框架，通过非电离的红外热像来估计乳腺密度，在 3,500 名多中心数据集上使用 mammography-derived density labels，10 次随机划分的 AUROC 达到 0.73。

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.

研究动机与目标

• 出于放射性辐射担忧，探索 X 射线乳腺密度评估的非电离替代方案。
• 研究红外热成像是否包含可区分纤维腺组织与脂肪组织的热物理信号。
• 开发用于从热像中分类乳腺密度的多视角深度学习框架。
• 在以乳腺钼靶密度标签为参考的多中心数据集上验证该框架。
• 评估在不同年龄组的鲁棒性，以支持潜在的临床工作流整合。

提出的方法

• 提出 DensiThAI，一种用于从五个标准热像视角进行乳腺密度分类的多视角深度学习框架。
• 利用纤维腺组织与脂肪组织之间的热物理差异，在乳房表面捕捉空间一致的温度变化。
• 在以 mammography 密度标签作为参考的多中心 3,500 名女性数据集上进行训练和评估。
• 在 10 次随机划分上报告平均 AUROC，并进行统计显著性检验（p << 0.05）。
• 评估在不同年龄组中的性能一致性，以 demonstrating 鲁棒性。

实验结果

研究问题

• RQ1 红外热成像是否能揭示与 mammography 派生标签一致的与乳腺密度相关的可区分模式？
• RQ2 多视角热成像方法是否在乳腺密度分类性能上优于单视角方法？
• RQ3 所提出的 DensiThAI 框架是否在年龄组和多中心数据上鲁棒？
• RQ4 在多次随机划分中，该框架的总体诊断性能（AUROC）表现如何？
• RQ5 结果在区分密度类别方面是否具有统计显著性？

主要发现

• 在 10 次随机划分中的平均 AUROC 为 0.73。
• 所有划分中密度类别之间的差异具有统计显著性（p << 0.05）。
• 在包含 3,500 名女性的多中心数据集上进行评估。
• 框架使用五个标准热视角。
• 在不同年龄组中表现一致，支持非电离红外成像用于密度评估的可行性。