I ricercatori dell’Università RUDN, in collaborazione con scienziati provenienti dalla Cina e dall’Arabia Saudita, hanno sviluppato con successo un modello di apprendimento automatico che migliora significativamente l’accuratezza della diagnosi del cancro al seno attraverso immagini istologiche. Incorporando moduli di attenzione aggiuntivi nelle reti neurali convoluzionali, il modello ha raggiunto un tasso di precisione di quasi il 100%. Questa svolta tecnologica si prevede che ridurrà il carico di lavoro dei medici, migliorerà il trattamento e la diagnosi del cancro al seno e potenzierà le capacità complessive dell’analisi delle immagini mediche.
Nel campo della diagnostica medica, una diagnosi accurata e tempestiva influenza notevolmente la prognosi per i pazienti affetti da cancro al seno. Tuttavia, fattori soggettivi e la qualità del campione possono spesso portare a diagnosi errate basate sui risultati istologici. Per affrontare questo problema, un team di matematici presso l’Università RUDN ha esplorato il potenziale dell’apprendimento automatico per riconoscere in modo più preciso il cancro all’interno delle immagini istologiche.
Il loro approccio ha coinvolto la verifica di varie reti neurali convoluzionali integrate con moduli di attenzione convoluzionale duali. Questi moduli aggiuntivi sono stati progettati per migliorare la capacità della rete di rilevare formazioni cancerose all’interno delle immagini. Il modello è stato addestrato e valutato utilizzando il set di dati BreakHis, che comprendeva quasi 10 mila immagini istologiche ottenute da 82 pazienti.
Tra i modelli testati, quello che ha prodotto i risultati più promettenti è stata una composizione della rete convoluzionale DenseNet211 con moduli di attenzione. Questo modello ha raggiunto un impressionante tasso di accuratezza del 99,6%. Durante la loro ricerca, i matematici hanno anche osservato che il riconoscimento di formazioni cancerose era influenzato dalla scala. Di conseguenza, hanno sottolineato la necessità di considerare una tecnica di approssimazione appropriata per le applicazioni reali.
Secondo Ammar Muthanna, Ph.D., Direttore del Centro Scientifico per la Modellazione delle reti wireless 5G presso l’Università RUDN, i moduli di attenzione hanno notevolmente migliorato le prestazioni complessive del modello, migliorando l’estrazione delle caratteristiche e consentendo al modello di concentrarsi sulle aree critiche delle immagini. Muthanna sottolinea l’importanza dei meccanismi di attenzione nell’analisi delle immagini mediche, affermando che questa tecnologia innovativa non solo allevierà il carico di lavoro dei medici, ma migliorerà anche l’accuratezza dei test, beneficiando in ultima analisi il trattamento e la diagnosi del cancro al seno.
The source of the article is from the blog yanoticias.es