成功可信度中
其他行业 · AI应用
提高放射科医生乳腺癌筛查表现的AI模型
研究人员开发了一个深度卷积神经网络（CNN）来分类乳腺癌筛查检查。为了克服高分辨率乳腺X光图像的GPU内存限制，他们采用了一种混合方法：一个22层ResNet处理整个图像，而一个ResNet-50对局部补丁进行分类。来自补丁模型的热图与原始图像拼接，使模型能够同时利用全局和局部特征进行预测。该模型在超过100万张图像的自定义大数据集上训练。
纽约大学数据科学中心与纽约大学朗格尼医学中心 (NYU Center for Data Science & NYU Langone Health)发布于 2026年7月27日阅读 0
开发了用于分类乳腺癌筛查检查的深度卷积神经网络（CNN）。
未披露
采用混合方法，使用22层ResNet进行全图处理，ResNet-50进行局部补丁分类。
未披露
在超过100万张图像的自定义数据集上训练，以增强模型性能。
未披露
01
业务背景
研究人员开发了一个深度卷积神经网络（CNN）来分类乳腺癌筛查检查。为了克服高分辨率乳腺X光图像的GPU内存限制，他们采用了一种混合方法：一个22层ResNet处理整个图像，而一个ResNet-50对局部补丁进行分类。来自补丁模型的热图与原始图像拼接，使模型能够同时利用全局和局部特征进行预测。该模型在超过100万张图像的自定义大数据集上训练。
02
遇到的问题
03
AI 解决方案
04
实施结果
开发了用于分类乳腺癌筛查检查的深度卷积神经网络（CNN）。：
采用混合方法，使用22层ResNet进行全图处理，ResNet-50进行局部补丁分类。：
在超过100万张图像的自定义数据集上训练，以增强模型性能。：
该AI模型在预测恶性病变的AUC上优于单个放射科医生。：
将模型预测与放射科医生结合提高了整体表现，突显了模型在识别困难特征方面的辅助潜力。：
05
风险与边界
客户 / 负责人引述
“”
信息来源
1 个来源页面内容为结构化改写；关键结论应可追溯到以下材料。