AI Machine Learning Builds 'Atlas' of 140 Breast Cancer Tumors
 |
| AKD 寰楚專業級全系列監控設備 |
乳房 X 光照相技術能夠降低乳癌死亡率，是一個公認的事實。與替代篩查相關的假陽性高召回率，加快了IBM、麻省理工學院電腦科學，與人工智慧實驗室等機構，對人工智慧驅動系統的開發。但它們並不完美，因為與更多最近的測試相比，大多數模型只進行過一次單一的篩選測試。
這一缺陷促使紐約大學數據科學中心，和放射學系的一組研究人員，提出了一個機器學習框架，即篩查先前檢查時，生成的不同種類乳房 X 光照片，利用先前的檢查結果做出診斷。
他們說，在初步測試中，它降低了基線（基線就是被用為對比模型表現參考點的簡單模型。基線幫助模型開發者量化模型在特定問題上的預期表現）的錯誤率，並在預測篩查人群的惡性腫瘤時，達到了0.8664的曲線下面積（在所有分類臨界值下的性能指標，即預測的準確率）。
合著者寫道：「放射科醫生經常將目前的乳房 X 光照片，與之前的照片進行比較，以便做出更明智的診斷。例如，如果一個可疑的區域，隨著時間的推移變得越來越大，或密度越來越大，放射科醫生就會更加確信它是惡性的。相反，如果一個可疑的區域沒有成長，那麼它可能是良性的。」
該團隊在紐約大學開源乳癌篩查數據，集上訓練了一組機器學習模型，每組篩查中至少包含一張圖像，對應於乳房 X 光攝影篩查中常用的四種視圖（右顱尾側、左顱尾側、右中外側斜肌和左中外側斜肌）。
他們使用了四種二元標籤，來表示左乳或右乳有無良、惡性的發現，並且只考慮了包括患者在內的數據集的子集，而這些數據集之前的檢查數據都是可獲得的。
實驗所收集的數據庫中，包含了來自 43013 名患者的 127451 份檢查，其中有 2519 份至少進行了一次活體組織切片檢查。
該團隊根據這些數據，訓練了一系列機器學習模型，然後僅使用訓練數據集的一部分，來比較它們的性能。
他們注意到，與良性預測的基線相比，其效果並沒有明顯的改善，他們將其歸因於算法傾向於關注掃描區域的顯著變化。（而良性的改變並不明顯。）
但他們發現，其中一個模型 —— Align Local Compare —— 對惡性腫瘤的發現表現出明顯的改善，預測腫瘤發生的可能性為0.97，而基線預測僅為0.73。
按此回今日3S Market新聞首頁
按此回今日3S Market新聞首頁
 |
| 康橋科技 —— 白光攝影機專業廠商！ |
0 comments:
張貼留言