機(jī)器學(xué)習(xí)減少了乳腺癌診斷的不確定性

密歇根理工大學(xué)開(kāi)發(fā)的機(jī)器學(xué)習(xí)模型使用概率來(lái)更準(zhǔn)確地對(duì)組織病理學(xué)圖像中顯示的乳腺癌進(jìn)行分類(lèi)，并評(píng)估其預(yù)測(cè)的不確定性。

乳腺癌是最常見(jiàn)的癌癥，死亡率最高?？焖贆z測(cè)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(duì)乳腺癌進(jìn)行分類(lèi)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(wú)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(dòng)檢測(cè)乳腺癌已顯示出前景——但它與假陽(yáng)性和假陰性的高風(fēng)險(xiǎn)相關(guān)。

如果沒(méi)有任何信心衡量標(biāo)準(zhǔn)，CNN 的這種錯(cuò)誤預(yù)測(cè)可能會(huì)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(kāi)發(fā)的一種新機(jī)器學(xué)習(xí)模型可以評(píng)估其預(yù)測(cè)中的不確定性，因?yàn)樗梢詫?duì)良性和惡性腫瘤進(jìn)行分類(lèi)，從而有助于降低這種風(fēng)險(xiǎn)。

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(zhuān)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(lèi)似模型。

“迄今為止開(kāi)發(fā)的任何機(jī)器學(xué)習(xí)算法在其預(yù)測(cè)中都會(huì)存在一些不確定性，”Thiagarajan 說(shuō)。“幾乎沒(méi)有辦法量化這些不確定性。即使算法告訴我們一個(gè)人患有癌癥，我們也不知道該預(yù)測(cè)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(lài)計(jì)算機(jī)生成的預(yù)測(cè)。本模型是貝葉斯神經(jīng)網(wǎng)絡(luò)的擴(kuò)展——一種可以評(píng)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：