Dr. Sci. (Engineering)
д-р тех. наук, профессор
Dr. Sci. (Engineering)
In the last few years, machine learning techniques have been attracting even greater attention in the field of diagnostics, particularly when detecting breast cancer. Relevant studies dedicated to machine learning techniques in breast cancer diagnosis were analyzed in three areas: solving secondary problems that occur in modern-day breast cancer diagnostics, role in an intelligent assessment of the patient’s condition for preliminary diagnostic decisions, and capability to detect breast cancer risk factors. The results revealed that machine learning techniques applied in breast cancer diagnosis have great potential for improving diagnostic accuracy and efficiency and solving secondary problems. The medical literature analysis has determined the parameters that are used as input data in machine learning techniques. Furthermore, the collected information will be applied to create a parameter system for breast cancer diagnosis using machine learning techniques.
В последние несколько лет методы машинного обучения привлекают всё большее внимание в области диагностики, особенно при обнаружении рака молочной железы.
В статье проведён
Анализ показал, что использование методов машинного обучения при диагностике рака молочной железы предоставляет большие возможности для улучшения точности и эффективности диагностики, а также позволяет решать дополнительные задачи.
В результате анализа литературы были выявлены признаки, которые используются в качестве входных данных в методах машинного обучения. В дальнейшем собранная информация будет использована при построении системы признаков для диагностики рака молочной железы методами машинного обучения.
最近几年，机器学习方法在诊断领域，特别是对乳腺癌的检测受到越来越多的关注。
文章从三个方面分析了当前致力于在乳腺癌诊断中使用机器学习方法的研究：用于解决现代乳腺癌诊断中出现的辅助任务，作为初步诊断决策的患者病情智能评估，以及确定乳腺癌的风险因素。文章从三个方面分析了机器学习方法在乳腺癌诊断中的应用现状：解决现代乳腺癌诊断中出现的辅助课题，智能评估患者病情初步诊断决策，以及确定乳腺癌的风险因素。
分析表明，利用机器学习方法诊断乳腺癌为提高诊断的准确性和效率提供巨大的可能性，并且还可以完成其他额外任务。
文献分析结果，确定了用作机器学习方法中输入数据的特征。今后，收集到的信息将用于构建一个利用机器学习方法诊断乳腺癌的特征系统。