Lightweight Hybrid Transformer System for Robust and Explainable Multi-Modality Breast Cancer Recognition
Notice bibliographique
Résumé
Breast cancer is a major global health concern, making early detection crucial for improving survival rates. Deep learning methods in this field face challenges such as class imbalance, varying imaging types, and clinical interpretability. This study introduces a lightweight transformer-based model, EFormer-EA, aimed at breast cancer classification across different imaging modalities. Our hybrid architecture uses EfficientFormerV2 for local feature extraction and External Attention for modeling global dependencies. We applied it to two public datasets: BreakHis, containing 7,909 histopathology images at four magnifications, and BUSI, with 830 ultrasound images across three classes. Preprocessing included modality-specific normalization, histogram equalization, and GPU-accelerated augmentation, with a class-weighted loss to address class imbalance. The EFormer-EA model achieved impressive results: an F1 score of 98.27% and a Matthew's correlation coefficient of 96.15 on BreakHis, and an F1 score of 98.46% and a PR-AUC of 99.43 on BUSI, outperforming existing models. We also incorporated Grad-CAM into a web application for real-time, explainable diagnosis. However, the study has limitations, including sensitivity to external memory sizes and dependence on just two datasets. Future work will focus on multi-center validation, edge deployment, and integration with federated learning.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».