Дуо Чжоу, биостатист из фармацевтической компании Pfizer в Нью-Йорке, и его коллеги Динеш Митал и Шанкар Сринивасан из Университета медицины и стоматологии Нью-Джерси отмечают, что распознавание образов данных широко используется в приложениях машинного обучения в науке. Компьютерные алгоритмы, обученные на исторических данных, могут использоваться для анализа текущей информации и выявления закономерностей, а затем прогнозирования возможных будущих закономерностей.
Однако эта мощная технология открытия знаний мало используется в медицине.Команда предположила, что именно такую методологию автоматизированного статистического анализа можно легко адаптировать к клиническим условиям.
Они сделали именно это, используя алгоритмический подход к анализу данных скрининга рака груди, чтобы более точно распознать наличие злокачественных опухолей в ткани груди, а не доброкачественных новообразований или отложений кальция. Это может помочь улучшить исходы для пациентов со злокачественными новообразованиями, но также снизить количество ложноположительных результатов, которые в противном случае приводят пациентов к ненужным терапевтическим, химиотерапевтическим или радиотерапевтическим и хирургическим вмешательствам.Подход машинного обучения учитывает девять характеристик минимально инвазивной тонкоигольной биопсии, включая толщину комков, однородность размера клеток, адгезии, размер эпителиальных клеток, ядра голых клеток и другие факторы.
Обученная на точных данных, помеченных как злокачественные или доброкачественные, система смогла сопоставить множество разрозненных визуальных факторов, присутствующих в данных, с результатом. Разработанную таким образом статистическую модель можно затем использовать для тестирования новых образцов тканей на злокачественные новообразования.