L'apprentissage profond au-delà des chats et des chiens : avancées récentes dans le diagnostic du cancer du sein avec des réseaux de neurones profonds

L'apprentissage profond a démontré des changements révolutionnaires énormes dans l'industrie de l'informatique et ses effets en radiologie et en sciences de l'imagerie ont commencé à changer drastiquement les paradigmes de dépistage. Plus précisément, ces avancées ont influencé le développement de systèmes de détection et de diagnostic assistés par ordinateur (DAC). Ces technologies ont longtemps été considérées comme des outils de "deuxième opinion" pour les radiologues et les médecins. Cependant, avec des améliorations significatives des réseaux de neurones profonds, les capacités diagnostiques des algorithmes d'apprentissage approchent des niveaux d'expertise humaine (radiologues, cliniciens, etc.), déplaçant le paradigme du DAC d'un outil de "deuxième opinion" vers une utilité plus collaborative. Cet article passe en revue les systèmes DAC récemment développés basés sur des technologies d'apprentissage profond pour le diagnostic du cancer du sein, explique leurs supériorités par rapport aux systèmes précédemment établis, définit les méthodologies derrière les réalisations améliorées, y compris les développements algorithmiques, et décrit les défis restants dans le dépistage et le diagnostic du cancer du sein. Nous discutons également des directions futures possibles pour de nouveaux modèles DAC qui continuent d'évoluer à mesure que les algorithmes d'intelligence artificielle évoluent.