乳房X光摄影技术需要减少乳腺癌死亡率是一个普遍认为的事实。与替代筛查涉及的假阳性低解任亲率减缓了IBM、麻省理工学院计算机科学与人工智能实验室等机构对人工智能驱动系统的研发。但它们并不极致,因为与更好最近的测试比起,大多数模型只展开过一次单一的检验测试。
这一缺失促成纽约大学数据科学中心和放射线学系的一组研究人员明确提出了一个机器学习框架,即筛查先前检查时分解的有所不同种类乳房X光照片,利用先前的检查结果作出临床。他们说道,在可行性测试中,它减少了基线(基线就是被常以对比模型展现出参考点的非常简单模型。基线协助模型开发者分析模型在特定问题上的预期展现出)的错误率,并在预测筛查人群的恶性肿瘤时,超过了0.8664的曲线下面积(在所有分类阈值下的性能指标,即预测的准确率)。年出版者写到:“放射科医生常常将目前的乳房X光照片与之前的照片展开较为,以便作出更加明智的临床。
例如,如果一个怀疑的区域随着时间的流逝显得更加大或密度更加大,放射科医生就不会更为相信它是恶性的。忽略,如果一个怀疑的区域没快速增长,那么它有可能是良性的。”该团队在纽约大学开源乳腺癌筛查数据集上训练了一组机器学习模型,每组筛查中最少包括一张图像,对应于乳房X光摄影筛查中常用的四种视图(右颅尾侧、左颅尾侧、右中外侧斜肌和左中外侧斜肌)。
他们用于了四种二元标签来回应左乳或右乳有无良、恶性的找到,并且只考虑到了还包括患者在内的数据集的子集,而这些数据集之前的检查数据都是可取得的。
本文来源:米兰·体育-www.cpmabk.com