#ИИ #диагностика
Ученые из РУДН создали нейросеть, которая распознает рак молочной железы на гистологических образцах с точностью 99,6%
Этого удалось добиться с помощью модуля, который «заострял внимание» модели. Результаты были опубликованы в международном научном издании Life.
Прогноз для пациентки с раком молочной железы во многом определяется стадией, на которой был поставлен диагноз. Гистологическое исследование считается золотым стандартом диагностики. Однако на результат гистологии влияют субъективные факторы, а также качество образца. Неточности приводят к ошибочному диагнозу.
Ученые из Российского университета дружбы народов (РУДН) и их коллеги из Китая и Саудовской Аравии разработали модель машинного обучения , которая поможет точнее распознавать рак на гистологических изображениях. Благодаря дополнительному модулю, улучшающему «внимание» нейросети, точность достигла 99,6%. Модель была обучена и протестирована на наборе данных BreakHis. Он состоит из почти 10000 гистологических изображений различного масштаба, полученных от 82 пациентов.
Наилучшие результаты показала модель, состоящая из сверточной сети DenseNet211 с модулями внимания. Точность этой модели достигла 99,6%. Математики заметили, что на распознавание раковых образований влияет масштаб. Дело в том, что при разном увеличении изображения кажутся разного качества, а сами раковые объекты видны по-разному. Поэтому в реальном сценарии применения необходимо будет рассмотреть подходящее приближение.
Как уточнили авторы исследования, модули внимания в модели улучшили извлечение признаков и общую производительность модели. С их помощью нейросеть сосредоточилась на важных областях изображения и выделила необходимую информацию. Это показывает важность механизмов внимания при анализе медицинских изображений.
@medicalksu
Ученые из РУДН создали нейросеть, которая распознает рак молочной железы на гистологических образцах с точностью 99,6%
Этого удалось добиться с помощью модуля, который «заострял внимание» модели. Результаты были опубликованы в международном научном издании Life.
Прогноз для пациентки с раком молочной железы во многом определяется стадией, на которой был поставлен диагноз. Гистологическое исследование считается золотым стандартом диагностики. Однако на результат гистологии влияют субъективные факторы, а также качество образца. Неточности приводят к ошибочному диагнозу.
Ученые из Российского университета дружбы народов (РУДН) и их коллеги из Китая и Саудовской Аравии разработали модель машинного обучения , которая поможет точнее распознавать рак на гистологических изображениях. Благодаря дополнительному модулю, улучшающему «внимание» нейросети, точность достигла 99,6%. Модель была обучена и протестирована на наборе данных BreakHis. Он состоит из почти 10000 гистологических изображений различного масштаба, полученных от 82 пациентов.
Наилучшие результаты показала модель, состоящая из сверточной сети DenseNet211 с модулями внимания. Точность этой модели достигла 99,6%. Математики заметили, что на распознавание раковых образований влияет масштаб. Дело в том, что при разном увеличении изображения кажутся разного качества, а сами раковые объекты видны по-разному. Поэтому в реальном сценарии применения необходимо будет рассмотреть подходящее приближение.
Как уточнили авторы исследования, модули внимания в модели улучшили извлечение признаков и общую производительность модели. С их помощью нейросеть сосредоточилась на важных областях изображения и выделила необходимую информацию. Это показывает важность механизмов внимания при анализе медицинских изображений.
@medicalksu
MDPI
Improved Breast Cancer Classification through Combining Transfer Learning and Attention Mechanism
Breast cancer, a leading cause of female mortality worldwide, poses a significant health challenge. Recent advancements in deep learning techniques have revolutionized breast cancer pathology by enabling accurate image classification. Various imaging methods…
🔥4👏2👌1