使用机器学习进行乳腺癌检测和预防

科学领域:

• 医疗成像医学成像
• 在瘤学中使用人工智能
• 计算生物学 计算生物学

背景情况:

• 乳腺癌是妇女死亡的重要原因,特别是在发展中国家.
• 早期发现和准确分类乳腺癌亚型,如侵入性导管癌 (IDC) 和导管癌 in situ (DCIS),对于有效的治疗至关重要.
• 人工智能 (AI) 和机器学习 (ML) 的进步,包括卷积神经网络 (CNN),显示出改善乳腺癌诊断的希望.

研究的目的:

• 提出一种高效的深度学习模型,用于在不同密度的数字乳房影像中识别乳腺癌.
• 开发一个计算效率高的模型,克服现有的基于AI的方法的高资源需求.
• 提高乳腺癌检测和分类的准确性和可靠性.

主要方法:

• 开发了一种新的深度学习模型,用于识别乳腺癌.
• 特征选择涉及三个模块:低方差特征删除,单变特征选择和递归特征删除.
• 该模型被训练和测试在一个数据集上的3002个数字乳房造影从1501个人的数据集,结合了craniocaudal和中侧视图.

主要成果:

• 提出的深度学习模型在检测乳腺癌时表现出高的效率和准确性.
• 与现有方法相比,该模型需要的计算能力要少得多.
• 与六种分类模型 (RF,DT,KNN,LR,SVC,线性SVC) 的比较表明,拟议方法的性能优越.

结论:

• 开发的深度学习模型提供了一种高效和准确的解决方案,用于使用乳房摄影检测乳腺癌.
• 这种方法有可能改善早期诊断,特别是在资源有限的环境中.
• 进一步的研究可以探索将这种模型集成到临床工作流程中,以加强乳腺癌查和管理.