[基于卷积神经网络的乳腺癌乳房扫描诊断决策支持智力系统算法的开发]
E M Osmanov1,2, L M Tuktamysheva3, R R Manyakov2
1The Federal State Autonomous Educational Institution of Higher Education "The I. M. Sechenov First Moscow State Medical University" of the Minzdrav of Russia (Sechenov University), 119991, Moscow, Russia.
Problemy sotsial'noi gigieny, zdravookhraneniia i istorii meditsiny
|November 14, 2025
概括
卷积神经网络 (CNN) 通过减少错误阳性结果,有望改善乳房影像解释. 这种自动化的深度学习方法有助于区分良性和恶性病例,提高乳腺癌查准确度.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 机器学习用于诊断.
背景情况:
- 乳房摄影的解释对于乳腺癌查至关重要.
- 目前的解释方法可能会导致假阳性和假阴性结果.
- 自动化分析有可能提高诊断准确性和效率.
研究的目的:
- 训练卷积神经网络 (CNN) 模型,用于自动识别乳房扫描结果.
- 通过检测图像中的微妙差异来改善乳房影像检查的解释.
- 为了减少乳房扫描查中错误阳性结果的发生率.
主要方法:
- 利用深度学习,特别是CNN,进行自动图像分析.
- 训练模型在数字数据集上从乳房扫描查数据.
- 运用开源资源对乳房图片进行智力分析.
主要成果:
- 经过训练的CNN模型实现了22%至32%之间的错误阳性率.
- 与人类解释中观察到的34%至53%的错误阳性率相比,这是一个显著的改善.
- 该模型展示了检测乳房图像微妙差异的能力.
结论:
- 基于CNN的模型为临床乳腺癌查提供了潜在的改进.
- 预测模型的准确性受训练数据集的大小的影响.
- 建立乳房扫描检查的开放数据库对于推动医疗实践中的深度学习至关重要.
