“`html
Улучшение диагностики рака молочной железы
Доступные наборы данных по маммографии и современные методы машинного обучения играют ключевую роль в улучшении диагностики рака молочной железы с помощью компьютеров. Однако ограниченный доступ к частным наборам данных и выборочное использование изображений из публичных баз данных затрудняют воспроизводимость и проверку этих моделей. Это создает преграды для исследователей, стремящихся продвигаться в этой области.
Проблемы и вызовы
Рак молочной железы стал причиной 670,000 смертей по всему миру в 2022 году. Хотя технологии, такие как томосинтез, улучшают скрининг, ложные положительные результаты и различия в интерпретации радиологов вызывают беспокойство у пациентов и увеличивают затраты на здравоохранение. Кроме того, алгоритмы CAD сталкиваются с проблемами надежности из-за ограниченных наборов данных и сниженной производительности в реальных условиях.
Решение от исследователей
Исследователи из Biomedical Deep Learning LLC и Вашингтонского университета в Сент-Луисе разработали пилотную кодовую базу, которая упрощает процесс диагностики рака молочной железы, начиная с предобработки изображений и заканчивая разработкой и оценкой моделей. Команда обнаружила, что увеличение размеров входных данных улучшает точность обнаружения злокачественных образований.
Доступные данные
Набор данных CBIS-DDSM содержит публично доступные изображения маммографии, которые были обработаны и обновлены экспертами. Изображения были преобразованы из формата DICOM в PNG и обработаны для сохранения центрального фокуса на аномальных областях. Процесс обучения модели включает загрузку данных, нормализацию и специализированную архитектуру сверточной нейронной сети.
Результаты исследования
Исследование показало, что использование больших размеров изображений улучшает обнаружение злокачественных случаев. Модели ResNet-50 показали лучшие результаты по сравнению с моделями Xception, особенно при размере 448×448 пикселей. Это подчеркивает важность сохранения деталей изображения в медицинской визуализации.
Заключение
Модели скрининга рака молочной железы развиваются благодаря разнообразным инновациям. Однако непоследовательные методологии создают проблемы с воспроизводимостью. Это исследование предлагает полностью доступную кодовую базу, которая поддерживает разработку и проверку моделей в диагностике рака молочной железы. Увеличивая размер входных данных и применяя строгий контроль качества, исследователи стремятся улучшить точность и надежность моделей.
Если вы хотите, чтобы ваша компания развивалась с помощью искусственного интеллекта (ИИ), используйте эти решения для улучшения диагностики рака молочной железы.
Проанализируйте, как ИИ может изменить вашу работу. Определите, где возможно применение автоматизации и какие ключевые показатели эффективности (KPI) вы хотите улучшить с помощью ИИ.
Подберите подходящее решение и внедряйте ИИ постепенно, начиная с малого проекта. Если вам нужны советы по внедрению ИИ, пишите нам в наш Телеграм-канал.
Узнайте, как ИИ может изменить ваши процессы с решениями от AI Lab. Будущее уже здесь!
“`
