密歇根理工大學(xué)開發(fā)的機(jī)器學(xué)習(xí)模型使用概率來更準(zhǔn)確地對組織病理學(xué)圖像中顯示的乳腺癌進(jìn)行分類，并評估其預(yù)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(xué)圖像(在顯微鏡下檢查組織和細(xì)胞)對乳腺癌進(jìn)行分類是一項(xiàng)具有挑戰(zhàn)性的任務(wù)，因?yàn)閿?shù)據(jù)存在偏差且無法獲得大量注釋數(shù)據(jù)。使用機(jī)器學(xué)習(xí)技術(shù)卷積神經(jīng)網(wǎng)絡(luò) (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(fēng)險相關(guān)。
如果沒有任何信心衡量標(biāo)準(zhǔn)，CNN 的這種錯誤預(yù)測可能會導(dǎo)致災(zāi)難性的結(jié)果。但是密歇根理工大學(xué)研究人員開發(fā)的一種新機(jī)器學(xué)習(xí)模型可以評估其預(yù)測中的不確定性，因?yàn)樗梢詫α夹院蛺盒阅[瘤進(jìn)行分類，從而有助于降低這種風(fēng)險。
在他們最近發(fā)表在IEEE Transactions on Medical Imaging雜志上的論文中，機(jī)械工程研究生 Ponkrshnan Thiagarajan 和 Pushkar Kharinar 以及機(jī)械工程助理教授和機(jī)器學(xué)習(xí)專家Susanta Ghosh概述了他們新穎的概率機(jī)器學(xué)習(xí)模型，該模型優(yōu)于類似模型。
“迄今為止開發(fā)的任何機(jī)器學(xué)習(xí)算法在其預(yù)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(yù)測的可信度。”
經(jīng)驗(yàn)源于信心
在醫(yī)學(xué)背景下，不知道算法的可信度使得很難依賴計(jì)算機(jī)生成的預(yù)測。本模型是貝葉斯神經(jīng)網(wǎng)絡(luò)的擴(kuò)展——一種可以評估圖像并產(chǎn)生輸出的機(jī)器學(xué)習(xí)模型。該模型的參數(shù)被視為促進(jìn)不確定性量化的隨機(jī)變量。
標(biāo)簽：
免責(zé)聲明：本文由用戶上傳，與本網(wǎng)站立場無關(guān)。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風(fēng)險自擔(dān)。 如有侵權(quán)請聯(lián)系刪除！