密歇根理工大學開發(fā)的機器學習模型使用概率來更準確地對組織病理學圖像中顯示的乳腺癌進行分類，并評估其預測的不確定性。
乳腺癌是最常見的癌癥，死亡率最高?？焖贆z測和診斷可減少疾病的影響。然而，使用組織病理學圖像(在顯微鏡下檢查組織和細胞)對乳腺癌進行分類是一項具有挑戰(zhàn)性的任務，因為數(shù)據(jù)存在偏差且無法獲得大量注釋數(shù)據(jù)。使用機器學習技術卷積神經(jīng)網(wǎng)絡 (CNN) 自動檢測乳腺癌已顯示出前景——但它與假陽性和假陰性的高風險相關。
如果沒有任何信心衡量標準，CNN 的這種錯誤預測可能會導致災難性的結(jié)果。但是密歇根理工大學研究人員開發(fā)的一種新機器學習模型可以評估其預測中的不確定性，因為它可以對良性和惡性腫瘤進行分類，從而有助于降低這種風險。
在他們最近發(fā)表在IEEE Transactions on Medical Imaging雜志上的論文中，機械工程研究生 Ponkrshnan Thiagarajan 和 Pushkar Kharinar 以及機械工程助理教授和機器學習專家Susanta Ghosh概述了他們新穎的概率機器學習模型，該模型優(yōu)于類似模型。
“迄今為止開發(fā)的任何機器學習算法在其預測中都會存在一些不確定性，”Thiagarajan 說。“幾乎沒有辦法量化這些不確定性。即使算法告訴我們一個人患有癌癥，我們也不知道該預測的可信度。”
經(jīng)驗源于信心
在醫(yī)學背景下，不知道算法的可信度使得很難依賴計算機生成的預測。本模型是貝葉斯神經(jīng)網(wǎng)絡的擴展——一種可以評估圖像并產(chǎn)生輸出的機器學習模型。該模型的參數(shù)被視為促進不確定性量化的隨機變量。
標簽：
免責聲明：本文由用戶上傳，如有侵權請聯(lián)系刪除！