导读 密歇根理工大学开发的机器学习模型使用概率来更准确地对组织病理学图像中显示的乳腺癌进行分类，并评估其预测的不确定性。乳腺癌是最常见的
密歇根理工大学开发的机器学习模型使用概率来更准确地对组织病理学图像中显示的乳腺癌进行分类，并评估其预测的不确定性。
乳腺癌是最常见的癌症，死亡率最高。快速检测和诊断可减少疾病的影响。然而，使用组织病理学图像(在显微镜下检查组织和细胞)对乳腺癌进行分类是一项具有挑战性的任务，因为数据存在偏差且无法获得大量注释数据。使用机器学习技术卷积神经网络 (CNN) 自动检测乳腺癌已显示出前景——但它与假阳性和假阴性的高风险相关。
如果没有任何信心衡量标准，CNN 的这种错误预测可能会导致灾难性的结果。但是密歇根理工大学研究人员开发的一种新机器学习模型可以评估其预测中的不确定性，因为它可以对良性和恶性肿瘤进行分类，从而有助于降低这种风险。
在他们最近发表在IEEE Transactions on Medical Imaging杂志上的论文中，机械工程研究生 Ponkrshnan Thiagarajan 和 Pushkar Kharinar 以及机械工程助理教授和机器学习专家Susanta Ghosh概述了他们新颖的概率机器学习模型，该模型优于类似模型。
“迄今为止开发的任何机器学习算法在其预测中都会存在一些不确定性，”Thiagarajan 说。“几乎没有办法量化这些不确定性。即使算法告诉我们一个人患有癌症，我们也不知道该预测的可信度。”
经验源于信心
在医学背景下，不知道算法的可信度使得很难依赖计算机生成的预测。本模型是贝叶斯神经网络的扩展——一种可以评估图像并产生输出的机器学习模型。该模型的参数被视为促进不确定性量化的随机变量。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！