Eine frühe Diagnose und die Verabreichung geeigneter Behandlungen können die Überlebenswahrscheinlichkeit von Menschen mit Brustkrebs erheblich steigern. Diese Studie nutzte einen großen Datensatz, der tausende von annotierten Brustbildern umfasst, die verschiedene Arten von Brustkrebs repräsentieren, um das ResNet-50-Modell zu trainieren und zu validieren. Wichtige Merkmale wurden aus den Bildern unter Verwendung der Restblocke des Netzwerks extrahiert und dann für eine optimale Leistung feinjustiert. Die Experimente zeigten, dass das ResNet-50-Modell ein annehmbares Maß an Genauigkeit bei der Unterscheidung verschiedener Formen von Brustkrebs erreichte, wie z.B. benigne, maligne und andere. Das ResNet-50 schnitt vernünftig gut ab und identifizierte benigne, maligne und normale Fälle mit 98% Genauigkeit bei Verwendung der Genauigkeit als Metrik, 97% bei Verwendung der Präzision und 100% bei Verwendung des Recall. Folglich wurde das trainierte ResNet-50-Modell mit dem Flask-Framework kombiniert, um eine einfache Benutzeroberfläche zu generieren. Diese Ergebnisse legen nahe, dass der Einsatz von Restnetzwerken bei der Erkennung von Brustkrebs erheblich zur frühen Diagnose und Behandlung beitragen kann. Diese Studie hat wichtige Implikationen für die öffentliche Gesundheit und die medizinische Praxis und bietet Ärzten ein wertvolles Hilfsmittel im Kampf gegen Brusttumoren.
Babatunde et al. (Mon,) untersuchten diese Frage.