采用非侵入性技术的自动化系统,用于乳腺癌检测的乳房造影

科学领域:

• 医学成像和诊断 医学成像和诊断
• 医疗保健中的人工智能
• 计算生物学 计算生物学

背景情况:

• 早期发现乳腺异常对于有效治疗和恢复至关重要.
• 人工智能 (AI) 提供了快速疾病识别和干预的潜力.
• 监测患者的治疗和康复对于预防长期健康问题至关重要.

研究的目的:

• 开发一种使用乳房影像检测乳房异常的非侵入性方法.
• 为了分类乳腺疾病,并区分癌症和良性瘤.
• 利用人工智能分类模型来提高诊断准确度.

主要方法:

• 利用预先处理的,平衡的乳房扫描特征数据集.
• 雇佣监督学习技术,包括随机森林 (RF) 和决策树 (DT) 分类器.
• 分析了多达30个特征,如质量,直径,周长和瘤性质 (固体/囊性).

主要成果:

• 决策树 (DT) 分类器的准确性得分为95.32%.
• 随机森林 (RF) 分类器表现出卓越的性能,准确率为98.83%.
• 人工智能模型有效地根据分析的特征将乳腺组织分类为恶性或良性.

结论:

• 人工智能驱动的分类模型,特别是随机森林,在检测乳腺癌方面表现出很高的有效性.
• 使用人工智能的非侵入性乳房造影分析可以显著提高瘤分类的准确性.
• 这种方法支持乳腺癌患者及时诊断和治疗.