Rete ibrida di attenzione cross-modale per la diagnosi precoce del tumore al seno in contesti clinici con risorse limitate

Abstract degli autori

Il tumore al seno è la principale causa di mortalità per tumore tra le donne nell’Africa subsahariana, dove la carenza di competenze radiologiche e la frammentazione dei sistemi di dati clinici ritardano la diagnosi. Sebbene i modelli di deep learning abbiano mostrato ottime prestazioni nell’analisi delle mammografie, la maggior parte si basa esclusivamente sulle immagini ed è addestrata su popolazioni occidentali, il che ne limita l’applicabilità nei sistemi sanitari africani. Questo studio presenta Hybrid Cross-Modal Attention Network (HCMAN), una rete che integra le immagini mammografiche con dati clinici strutturati mediante meccanismi di attenzione cross-modale basati su transformer. Il modello è stato sviluppato e validato con un dataset raccolto sul posto, composto da 2.560 immagini mammografiche di 1.024 pazienti di quattro ospedali etiopi di riferimento, con etichette di riferimento confermate tramite biopsia. Il sistema proposto raggiunge un’accuratezza del 97,8%, una sensibilità del 97,2%, una specificità del 98,3% e un’AUC di 0,987, superando significativamente i modelli di riferimento basati solo sulle immagini. Il sistema si dimostra robusto anche con immagini di bassa qualità, tipiche dei contesti con risorse limitate: il calo delle prestazioni è solo del 3,2%, contro l’8,7% dei modelli basati solo sulle immagini. L’analisi dell’attenzione cross-modale rivela un comportamento appropriato dal punto di vista clinico: nei casi ambigui, come quelli di pazienti giovani o con mammelle dense, il modello fa maggiore affidamento sulle caratteristiche cliniche. L’architettura leggera del modello ne consente l’impiego su workstation ospedaliere standard (inferenza in <2 secondi su CPU). Questo lavoro contribuisce allo sviluppo di soluzioni di IA sostenibili e sensibili al contesto per una diagnosi equa del tumore al seno in Africa.