.jpg)
La classificació precisa del càncer de mama a partir de mamografies exigeix una integració efectiva de les vistes craniocaudal (CC) i mediolateral obliqua (MLO), ja que cadascuna aporta informació complementària sobre l'anatomia i les possibles anomalies. No obstant això, els enfocaments tradicionals d'aprenentatge multivista solen limitar-se a agregar característiques en una sola capa o emprar mecanismes d'atenció creuada en una etapa única, cosa que tendeix a entrebarrejar les representacions específiques de cada vista i restringeix la interacció a nivells superficials de la xarxa neuronal. Davant d'aquesta limitació, sorgeix un paradigma prometedor: la fusió de vistes duals basada en tokens, un marc conceptual que reformula la interacció entre vistes com una comunicació estructurada a nivell de tokens dins d'un transformer preentrenat i congelat.
En aquest enfocament, en lloc de fusionar directament els mapes de característiques, s'introdueixen tokens de fusió dedicats que actuen com a portadors intermedis de les dependències creuades entre les vistes CC i MLO. Aquests tokens intercanvien informació bidireccionalment mitjançant mecanismes d'atenció creuada, i s'insereixen en múltiples profunditats del codificador del transformer, cosa que permet una interacció progressiva i jeràrquica al llarg de tota l'arquitectura. D'aquesta manera, els tokens de fusió es reintegren a la seqüència de tokens i són refinats per les capes posteriors, tot preservant l'estructura específica de cada vista. Aquest disseny evita l'embolic de representacions i maximitza la complementarietat de la informació.
Els resultats experimentals sobre conjunts de dades com VinDr-Mammo i CMMD demostren millores consistents davant de mètodes d'ajust lineal, adaptació només amb prompts i línies base de fusió convencional. En la tasca de classificació BI-RADS, s'assoleix un F1-score del 50.40% i un AUC de 0.8090, amb un increment de 0.10 en AUC respecte a la línia base de fusió dual en l'escenari binari. Aquests avenços obren la porta a sistemes de diagnòstic assistit més precisos i fiables, especialment quan s'integren en plataformes de programari a mida per a entorns clínics.
La implementació d'aquestes tècniques avançades de visió per ordinador requereix una sòlida base d'intel·ligència artificial i un ecosistema tecnològic robust. A Q2BSTUDIO, com a especialistes en intel·ligència artificial per a empreses, desenvolupem aplicacions a mida que incorporen models de deep learning, agents IA i solucions de processament d'imatges mèdiques. A més, combinem aquests desenvolupaments amb serveis cloud AWS i Azure per garantir escalabilitat, ciberseguretat en la gestió de dades sensibles i una integració fluida amb eines d'intel·ligència de negoci com Power BI. El nostre enfocament permet a les organitzacions sanitàries aprofitar al màxim les innovacions en classificació de càncer de mama, transformant la recerca acadèmica en solucions clíniques operatives i d'alt valor.
