Исследователи Российского университета дружбы народов (РУДН), сотрудничая с учеными из Китая и Саудовской Аравии, успешно разработали модель машинного обучения, которая значительно повышает точность диагностики рака молочной железы на основе гистологических изображений. Внедрение дополнительных модулей внимания в сверточные нейронные сети позволило достичь практически 100% точности. Этот технологический прорыв позволит снизить нагрузку на врачей, улучшить лечение и диагностику рака молочной железы, а также расширить возможности анализа медицинских изображений.
В области медицинской диагностики точная и своевременная диагностика имеет большое значение для прогноза пациентов с раком молочной железы. Однако субъективные факторы и качество образцов часто приводят к неверным диагнозам на основе гистологических результатов. Чтобы решить эту проблему, команда математиков из РУДН исследовала потенциал машинного обучения для более точного распознавания рака на гистологических изображениях.
Их подход заключался в тестировании различных сверточных нейронных сетей с интегрированными двойными модулями сверточного внимания. Эти дополнительные модули были разработаны для улучшения способности сети обнаруживать раковые образования на изображениях. Модель была обучена и оценена с использованием набора данных BreakHis, включающего почти 10 тысяч гистологических изображений, полученных от 82 пациентов.
Среди протестированных моделей, наиболее обещающие результаты продемонстрировала модель, состоящая из сверточной нейронной сети DenseNet211 с модулями внимания. Эта модель достигла впечатляющей точности 99,6%. В ходе исследования математики также обратили внимание на то, что распознавание раковых образований зависит от масштаба. Поэтому они подчеркнули необходимость рассмотрения соответствующей техники аппроксимации для применения на практике.
По словам доктора Аммара Мутанна, директора Научного центра моделирования беспроводных сетей 5G РУДН, модули внимания значительно улучшили общую производительность модели, улучшив извлечение признаков и позволив модели сосредоточиться на критических областях изображений. Мутанна подчеркивает важность механизмов внимания при анализе медицинских изображений, указывая на то, что эта прорывная технология не только снизит нагрузку на врачей, но и повысит точность тестов, что в конечном итоге принесет пользу лечению и диагностике рака молочной железы.
The source of the article is from the blog radardovalemg.com