Résumé: Des chercheurs de l’Université RUDN, en collaboration avec des scientifiques de Chine et d’Arabie Saoudite, ont développé avec succès un modèle d’apprentissage automatique qui améliore considérablement la précision du diagnostic du cancer du sein à partir d’images histologiques. En intégrant des modules d’attention supplémentaires aux réseaux neuronaux convolutionnels, le modèle a atteint un taux de précision de près de 100%. Cette percée technologique devrait réduire la charge de travail des médecins, améliorer le traitement et le diagnostic du cancer du sein, ainsi que renforcer les capacités globales de l’analyse d’images médicales.
Dans le domaine des diagnostics médicaux, un diagnostic précis et opportun influence grandement le pronostic des patients atteints du cancer du sein. Cependant, des facteurs subjectifs et la qualité des échantillons peuvent souvent conduire à des diagnostics incorrects basés sur les résultats histologiques. Pour remédier à ce problème, une équipe de mathématiciens de l’Université RUDN a exploré le potentiel de l’apprentissage automatique pour reconnaître de manière plus précise le cancer dans les images histologiques.
Leur approche consistait à tester plusieurs réseaux neuronaux convolutionnels intégrant des modules d’attention convolutionnels doubles. Ces modules supplémentaires ont été conçus pour améliorer la capacité du réseau à détecter les formations cancéreuses dans les images. Le modèle a été entraîné et évalué sur le jeu de données BreakHis, qui comprenait près de 10 000 images histologiques provenant de 82 patients.
Parmi les modèles testés, celui qui a donné les résultats les plus prometteurs était une composition du réseau convolutionnel DenseNet211 avec des modules d’attention. Ce modèle a atteint un taux de précision impressionnant de 99,6%. Au cours de leurs recherches, les mathématiciens ont également observé que la reconnaissance de formations cancéreuses était influencée par l’échelle. Par conséquent, ils ont souligné la nécessité de prendre en compte une technique d’approximation appropriée pour les applications réelles.
Selon Ammar Muthanna, doctorant et Directeur du Centre scientifique pour la modélisation des réseaux sans fil 5G à l’Université RUDN, les modules d’attention ont considérablement amélioré les performances globales du modèle, renforçant l’extraction de caractéristiques et permettant au modèle de se concentrer sur les zones critiques des images. Muthanna souligne l’importance des mécanismes d’attention dans l’analyse des images médicales, affirmant que cette technologie révolutionnaire permettra non seulement de soulager la charge de travail des médecins, mais aussi d’améliorer la précision des tests, bénéficiant ainsi au traitement et au diagnostic du cancer du sein.
The source of the article is from the blog mendozaextremo.com.ar