Deep learning in multi-modal breast cancer data fusion: a literature review
Notice bibliographique
Résumé
Background and Objective: Recently, there has been a growing interest in the use of deep learning methods within the multi-modal domain of breast cancer research. Integrating multi-modal data for breast cancer prediction can generate richer and more diverse set of information, leading to a greater robustness in prediction outcomes as compared to single-modal approaches. This review comprehensively summarizes the advancements in multi-modal breast cancer research over the past 5 years and critically assesses the related opportunities and challenges, serving as a valuable reference for future studies. The application of deep learning techniques to the processing of multi-modal breast cancer data is discussed in depth, and the latest strategies and potential future directions in this area are examined. Methods: A systematic analysis of studies on deep learning methods for breast cancer diagnosis based on multi-modal data was conducted. A comprehensive literature search was performed across PubMed, Web of Science, Cochrane Library, and Google Scholar for studies published between January 2019 and April 2025. To ensure the representativeness of the included research, studies were evaluated according to three aspects: types of multi-modal data used, the fusion strategies adopted, and their clinical relevance. Key Content and Findings: This review systematically traces the development of deep learning approaches for multi-modal breast cancer data, from foundational to more advanced methodologies. First, the paper categorizes common data types and core tasks related to breast cancer prediction. Subsequently, it classifies multi-modal data fusion strategies into three types-feature-level fusion, decision-level fusion, and hybrid fusion-providing a detailed explanation of the prediction steps for each category and comparing their effectiveness. Finally, the common challenges in multi-modal breast cancer research and insights into potential directions for future research are identified and discussed. Conclusions: At present, although numerous deep learning-based multi-modal studies on breast cancer have been proposed, multi-modal fusion remains in the exploratory stage. Future research should focus on addressing the scarcity of high-quality public datasets, as well as developing more robust network architectures and adaptive fusion strategies to better capture complementary information across modalities.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».