Исследователи адаптировали архитектуру DETR для решения задач маммографии, объединив классификацию злокачественности на уровне всего снимка и локализацию пораженных участков. Использование современных «бэкбонов» в рамках мультизадачного обучения позволило модели эффективно извлекать общие признаки, что повышает точность диагностики и интерпретируемость результатов для врачей при анализе сложных клинических случаев.

Традиционные подходы к анализу маммограмм часто разделяют задачи классификации и детекции, что может приводить к потере контекстуальной информации. В данной работе предложен единый фреймворк, где общие представления данных поддерживают обе функции одновременно. Это позволяет модели лучше соотносить глобальные признаки патологии с конкретными анатомическими зонами, снижая вероятность ложноположительных результатов.

Тестирование проводилось на двух крупных массивах данных: OPTIMAM и SGM1k, содержащих подтвержденные биопсией случаи. Результаты показывают, что интеграция современных архитектурных решений в качестве основы для извлечения признаков значительно превосходит предыдущие методы, обеспечивая более надежную локализацию очагов поражения и точную классификацию риска развития заболевания.

Ключевые факты

  • Разработан мультизадачный фреймворк на базе архитектуры DETR для одновременной классификации и локализации поражений.
  • Модель прошла валидацию на наборах данных OPTIMAM и SGM1k с подтвержденными результатами биопсии.
  • Использование современных бэкбонов (backbones) позволило улучшить качество извлечения признаков для медицинских изображений.
  • Метод направлен на повышение клинической ценности ИИ-систем поддержки принятия врачебных решений в радиологии.