Aмeрикaнскиe исслeдoвaтeли примeнили машинное обучение к эффективного прогнозирования развития злокачественной опухоли молочной железы. Алгоритм обучили нате данных биопсии пациенток, а точность его предсказания составила 97,4   процента. Статья опубликована в Radiology.

В особенности эффективным способом лечения злокачественной опухоли молочной железы является мастэктомия   — хирургическое отскакивание молочной железы. Однако если опухоль доброкачественная, то даже квалифицированный специалист приставки не- всегда может с высокой точностью предсказать, насколько велик риск развития гробница в будущем. Авторы новой работы представили алгоритм машинного обучения, который ровно по данным биопсии опухоли молочной железы может с высокой точностью определить доброкачественную гематома с повышенным риском развития рака груди и, соответственно, выявить необходимость последующего хирургического вмешательства.  

Пользу кого этого исследователи собрали 1095   изображений биопсии грудной клетки, полученных ото 1071   пациентки. Всего среди изображений исследователи обнаружили 1006   опухолей с высоким риском развития пустобрех, из которых 115   привели к развитию рака молочной железы. Для обучения алгоритма ученые отобрали 671   изображение, а накипь использовали в качестве тестовой выборки.  

Алгоритм был разработан при помощи метода машинного обучения random forest   — классификатора,   который-нибудь основывается на работе множества деревьев решений. Такая система хранит особенности данных из обучающей выборки и после применяет их для правильной классификации данных тренировочной выборки.

Система, разработанная исследователями, смогла правильно найти злокачественные опухоли с риском последующего развития рака молочной железы в 97,4   проценте случаев. В области оценке авторов, ранняя диагностика патологии при помощи методов машинного обучения могла бы понизить. Ant. увеличить количество необязательной мастэктомии на 30,6   процентов.

В декабре прошлого года ученые впервые успешно применили машинное обучение и измерение распределения пигмента для диагностики меланомы   — об этом вы можете пробежать в нашей заметке. Также, здесь вы можете прочитать об алгоритме, кто распознает одиночные (в том числе и раковые) клетки.

Автор: Елизавета Ивтушок