Førebuande sammendrag: Forskarar ved RUDN-universitetet, i samarbeid med vitskapsfolk frå Kina og Saudi-Arabia, har utvikla ein maskinlæringsmodell som signifikant forbetrar nøyaktigheten ved brystkreftdiagnose ved hjelp av histologiske bilete. Ved å inkorporere tilleggsmekanismer for merksemd i konvolusjonelle nettverk, oppnådde modellen ein nøyaktigheitsgrad på nær 100 %. Denne teknologiske gjennombrotet er forventa å redusere byrda på legar, forbetre behandling og diagnose av brystkreft, og forsterke yteevna til medisinsk bileteanalyse.
Når det gjeld medisinske diagnostikk, påverkar nøyaktig og rettidig diagnose i stor grad prognosen for pasientar med brystkreft. Likevel kan subjektive faktorar og kvalitet på prøver ofte føre til feil diagnose basert på histologiresultat. For å takle dette problemet utforska eit team av matematikarar ved RUDN-universitetet potensialet til maskinlæring for å gjenkjenne kreft meir presist i histologiske bilete.
Tilnærminga deira involverte testing av ulike konvolusjonelle nettverk integrert med dual konvolusjonelle merksemdsmekanismer. Desse tilleggsmekanismene var utforma for å forsterke nettverkets evne til å oppdage kreftformasjonar i bileta. Modellen vart trent og vurdert ved hjelp av BreakHis-datasettet, som omfatta nesten 10 tusen histologiske bilete frå 82 pasientar.
Blant dei testede modellane var den som gav dei mest lovande resultata, ein sammensetning av konvolusjonelle nettverket DenseNet211 med merksemdsmekanismer. Denne modellen oppnådde imponerande nøyaktigheitsgrad på 99,6 %. Under forskinga observerte matematikarane også at gjenkjenninga av kreftformasjonar vart påverka av skala. Følgjeleg la dei vekt på behovet for å vurdere ein passande tilnærmingsteknikk for reelle applikasjonar.
Ifølgje Ammar Muthanna, Ph.D., direktør for det vitskapelege senteret for modellering av trådlaust 5G-nettverk ved RUDN-universitetet, forbetra merksemdsmekanismene den generelle ytelsen til modellen. Dei forsterka eksponeringsfunksjonen og tillot modellen å fokusere på kritiske område i bileta. Muthanna understrekar betydinga av merksemdsmekanismer i analysen av medisinske bilete, og hevdar at denne gjennombrotsteknologien ikkje berre vil lette arbeidsmengda for legar, men også forbetre nøyaktigheten av tester og til slutt gavne behandling og diagnose av brystkreft.
The source of the article is from the blog scimag.news