Ein Team von Mathematikern der RUDN-Universität hat erfolgreich ein hochmodernes künstliche Intelligenz (KI)-Modell entwickelt, das in histologischen Proben Brustkrebs mit beispiellose Genauigkeit von fast 100% identifizieren kann. Der Durchbruch wurde durch die Integration eines Aufmerksamkeitsmechanismus-Moduls erreicht, das die Fähigkeit des Modells erheblich verbesserte, Schlüsselfunktionen und interessante Bereiche in den Bildern zu identifizieren. Die Ergebnisse dieser bahnbrechenden Forschung wurden in der angesehenen wissenschaftlichen Zeitschrift Life veröffentlicht.
Die frühzeitige Erkennung von Brustkrebs ist entscheidend für eine verbesserte Prognose der Patienten und insgesamt bessere Behandlungsergebnisse. Die histologische Untersuchung, die derzeit als Goldstandard für die Diagnose gilt, ist jedoch anfällig für subjektive Interpretationen und Variabilität in der Sample-Qualität, was zu potenziellen Ungenauigkeiten und Fehldiagnosen führt. Um diesen Herausforderungen entgegenzuwirken, arbeitete das interdisziplinäre Team von Mathematikern mit Experten aus China und Saudi-Arabien zusammen, um ein KI-Modell zu entwerfen, das die Genauigkeit der Krebsdiagnose auf histologischen Bildern verbessern kann.
„Die Implementierung computerbasierter Klassifizierung und Analyse histologischer Bilder ist von entscheidender Bedeutung, um die diagnostische Genauigkeit zu verbessern und die Belastung für medizinisches Fachpersonal zu verringern“, sagte Dr. Ammar Muthanna, Direktor des Scientific Center for Modeling Wireless 5G Networks an der RUDN-Universität.
Die Mathematiker testeten eingehend verschiedene faltende neuronale Netzwerke und erweiterten sie um speziell entwickelte Aufmerksamkeitsmodule zur Erkennung von Objekten in Bildern. Das endgültige Modell, das das DenseNet211-Faltungsnetzwerk mit Aufmerksamkeitsmodulen kombinierte, erreichte eine beeindruckende Genauigkeitsrate von 99,6%. Die Forscher stellten jedoch fest, dass die Skalierung der Bilder einen signifikanten Einfluss auf die Erkennung von Krebsformationen hatte, was die Notwendigkeit weiterer Überlegungen zur geeigneten Bildapproximation in realen Anwendungen hervorhob.
Dr. Muthanna betonte die Bedeutung von Aufmerksamkeitsmechanismen bei der medizinischen Bildanalyse, da sie die Merkmalsextraktion und die Gesamtleistung des Modells verbessern. Die Aufmerksamkeitsmodule ermöglichten es dem KI-Modell, sich auf relevante Bereiche der Bilder zu konzentrieren und entscheidende Informationen zu extrahieren, wodurch die Analyse von medizinischen Bildern revolutioniert wurde.
Dieser Durchbruch in der KI-Technologie hat das Potenzial, die Diagnose von Brustkrebs zu revolutionieren und die Behandlungsergebnisse der Patienten erheblich zu verbessern. Durch die Reduzierung der Abhängigkeit von subjektiven Interpretationen und die Verbesserung der Genauigkeit bietet dieses KI-Modell vielversprechende Möglichkeiten zur Transformation des Bereichs der medizinischen Bildgebung und zur Weiterentwicklung der frühzeitigen Erkennung und Behandlung von Brustkrebs.
The source of the article is from the blog yanoticias.es