Model pembelajaran mendalam untuk estimasi kepadatan payudara dapat membantu memprediksi risiko kanker – Berita Terbaru Jammu Kashmir | pariwisata
New Delhi, 8 April: Para peneliti telah mengembangkan model pembelajaran mendalam baru yang dapat memperkirakan kepadatan payudara, yang dapat berguna untuk memprediksi risiko kanker.
Ekstraksi fitur otomatis dari data pelatihan yang diaktifkan oleh pendekatan berbasis pembelajaran mendalam membuatnya menarik untuk perkiraan kepadatan payudara, kata peneliti dari University of Manchester, Inggris.
Kepadatan payudara didefinisikan sebagai persentase jaringan kelenjar fibrosa di dalam payudara dan sering digunakan untuk menilai risiko kanker payudara.
Mereka telah menerbitkan temuan mereka di Journal of Medical Imaging.
Para peneliti menggunakan dua model pembelajaran mendalam independen, awalnya dilatih di ImageNet, kumpulan data pencitraan non-medis yang berisi lebih dari satu juta gambar, dan melatih mereka tentang data pencitraan medis mereka melalui pendekatan yang dikenal sebagai “pembelajaran transfer”.
Mereka mengatakan bahwa melatih dan membangun model pembelajaran mendalam dari bawah ke atas merupakan tantangan karena kumpulan data yang terbatas.
Para ahli yang mencakup ahli radiologi, praktisi pencitraan radiologi tingkat lanjut, dan ahli mamologi memetakan nilai kepadatan ke skala analog visual pada 1.60.000 mammogram digital lapangan penuh dari 39.357 wanita.
Dengan menggunakan data ini, para peneliti mengembangkan prosedur yang akan memperkirakan skor intensitas saat memberi makan dalam mammogram sebagai masukan.
Prosedurnya melibatkan pra-pemrosesan gambar untuk membuat proses pelatihan secara komputasi kurang intensif, mengekstraksi fitur dari gambar yang diproses menggunakan model pembelajaran mendalam, menugaskan fitur ke berbagai skor intensitas, dan kemudian menggabungkan skor menggunakan pendekatan kelompok untuk menghasilkan hasil akhir. perkiraan kepadatan.
Oleh karena itu, tim mengembangkan model resolusi tinggi untuk memperkirakan kepadatan payudara dan hubungannya dengan risiko kanker, sambil mempertahankan waktu komputasi dan memori.
“Kinerja model ini mirip dengan para ahli manusia dalam batas ketidakpastian,” kata ketua peneliti Susan Astley. “Selain itu, ini dapat dilatih lebih cepat dan pada set data kecil atau subset dari kumpulan data besar.”
Para peneliti mencatat bahwa kerangka tersebut tidak hanya untuk memperkirakan risiko kanker payudara tetapi juga untuk melatih model pencitraan medis lainnya berdasarkan perkiraan kepadatan jaringan payudara.
Kanker payudara adalah jenis kanker paling umum yang menyerang wanita di seluruh dunia.
Sementara berbagai metode tersedia untuk memperkirakan skala ini, penelitian telah menunjukkan bahwa penilaian mandiri yang dilakukan oleh ahli radiologi berdasarkan skala analog visual lebih akurat daripada metode lainnya. (PTI)