Incorporating Wave-ViT for Breast Cancer Diagnosis Using MRI Imaging
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Breast cancer remains one of the leading causes of mortality among women globally, and early detection is critical for improving survival rates. Breast MRI, the most sensitive imaging modality for detection, often involves manual review of numerous slices, which is time-intensive and prone to human error. Machine learning (ML) algorithms offer a transformative solution by automating this process, improving efficiency, and enhancing diagnostic accuracy. In this study, we propose a machine learning approach to enhance breast cancer prediction and diagnosis. We utilize a pre-trained multiscale vision transformer, Wave-ViT, to classify MRI slices as healthy or unhealthy. The model was trained and tested on MRI scans from 922 patients in the Duke Breast Cancer MRI dataset and independently validated on 143 patients from the MAMA-MIA dataset. To ensure high-quality data, both datasets were carefully curated to exclude noisy or mislabeled slices. The model's performance was evaluated using accuracy, F1-score, precision, recall, and confusion matrices under various experimental conditions. These included randomized training and testing splits using the Fisher-Yates shuffle, exploration of different Wave-ViT variants, and testing across multiple training set configurations. Our approach consistently demonstrated over 94\% accuracy on the external validation dataset, showcasing the potential of machine learning algorithms like Wave-ViT to reduce diagnostic workloads and improve breast cancer detection outcomes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle