Avancer le diagnostic des tumeurs cérébrales grâce à l'apprentissage automatique : une étude comparative

La tumeur cérébrale est une maladie dévastatrice qui touche des milliers d'Américains chaque année. La maladie nécessite un diagnostic précoce et précis. L'apprentissage automatique pourrait constituer un moyen très puissant d'accélérer le diagnostic. Cette étude explore l'efficacité de divers modèles d'apprentissage automatique dans le diagnostic et la classification des tumeurs cérébrales à l'aide d'IRM. Les modèles de réseaux neuronaux convolutionnels (CNN) ont été comparés à des algorithmes d'apprentissage automatique traditionnels, y compris la régression logistique, les k-plus proches voisins (KNN), les arbres de décision et les forêts aléatoires (RF), sur un ensemble de données contenant des images d'IRM de différents types de tumeurs cérébrales. L'étude a conclu que le CNN était plus efficace que les autres modèles, et que tous ces modèles avaient besoin de jeux de données plus larges avant d'être considérés comme utilisables en tant qu'outil médical.