Forskere på RUDN University har i samarbejde med videnskabsfolk fra Kina og Saudi-Arabien udviklet en maskinlæringsmodel, der markant forbedrer nøjagtigheden i diagnosticering af brystkræft ud fra histologiske billeder. Ved at inkorporere ekstra opmærksomhedsmoduler i de konvolutionelle neurale netværk opnåede modellen en nøjagtighedsrate på næsten 100%. Denne teknologiske gennembrud forventes at mindske arbejdsbyrden for læger, forbedre behandlingen og diagnosticeringen af brystkræft og styrke de generelle evner inden for medicinsk billedeanalyse.
I feltet for medicinsk diagnostik har en præcis og rettidig diagnose stor indflydelse på prognosen for patienter med brystkræft. Dog kan subjektive faktorer og prøvekvalitet ofte føre til forkerte diagnoser baseret på histologiresultater. For at løse dette problem undersøgte et hold af matematikere på RUDN University potentialet i maskinlæring til at genkende kræft mere præcist i histologiske billeder.
Deres tilgang involverede test af forskellige konvolutionelle neurale netværk, der var integreret med dobbelte konvolutionelle opmærksomhedsmoduler. Disse ekstra moduler var designet til at forbedre netværkets evne til at opdage kræftformationer i billederne. Modellen blev trænet og evalueret ved hjælp af BreakHis-datasættet, der omfattede næsten 10 tusind histologiske billeder fra 82 patienter.
Blandt de testede modeller var den, der gav de mest lovende resultater, en sammensætning af det konvolutionelle netværk DenseNet211 med opmærksomhedsmoduler. Denne model opnåede en imponerende nøjagtighedsrate på 99,6%. Under deres forskning observerede matematikerne også, at genkendelsen af kræftformationer blev påvirket af skala. Derfor understregede de vigtigheden af at overveje en passende approximationsmetode til virkelige anvendelser.
Ifølge Ammar Muthanna, Ph.D., direktøren for Scientific Center for Modeling Wireless 5G Networks på RUDN University, forbedrede opmærksomhedsmodulerne markant modellens samlede præstation ved at forbedre funktionsekstraktionen og lade modellen fokusere på kritiske områder af billederne. Muthanna understreger betydningen af opmærksomhedsmekanismer i analyse af medicinske billeder og udtaler, at denne banebrydende teknologi ikke kun vil mindske arbejdsbyrden for læger, men også forbedre nøjagtigheden af tests og i sidste ende gavne behandlingen og diagnosticeringen af brystkræft.
The source of the article is from the blog revistatenerife.com