ابداع روش جدید پیش بینی خطر سرطان سینه

در این شیوه، با استفاده از الگوی یادگیری ژرف deep learning، نشان گر‌های زیستی تصویر شده در ماموگرافی زنان را بررسی، و احتمال ابتلا به سرطان سینه را در زنان پیش بینی می‌کنند.
نتایج بررسی محققان در نشست سالانه انجمن رادیولوژی آمریکالی شمالی ارائه شده است.
دکتر لزلی لمب متخصص رادیولوژی سینه در بیمارستان عمومی ماساچوست می‌گوید: الگو‌های سنتی بررسی خطر سرطان سینه، به جزئیاتی همچون چیزی که ما به آن رسیده ایم نمی‌پردازند و حتی بهترین روش‌های موجود نیز ممکن است برخی زیر گروه‌های بیماران را از قلم بیاندازند.
ولی اکنون دکتر لمب و همکارانش با استفاده از الگوی الگوریتم یادگیری عمیق موفق شدن خطر ابتلا به سرطان سینه را پیش بینی کنند.
این الگو در جمعیت شامل زنان مختلف ارائه شده است.
در این بررسی تعداد ۲۴۵ هزار و ۷۵۳ زن بین سال‌های ۲۰۰۹ تا ۲۰۱۶ مورد بررسی قرار گرفتند و برای همه آن‌ها ماموگرافی انجام شد.
دانشمندان می‌گویند این روش، توان پزشکان را برای تخمین احتمال ابتلا به سرطان سینه بالا می‌برد و در مقایسه با روش‌های کنونی، ارزان تر، در دسترس‌تر و قابل استفاده‌تر است.
به یادگیری ژرف (به انگلیسی: Deep learning) یک زیرشاخه از یادگیری ماشینی و بر مبنای مجموعه‌ای از الگوریتم‌ها است که در تلاش هستند مفاهیم انتزاعی سطح بالا در دادگان را مدل کنند که این فرایند را با استفاده از یک گراف عمیق که دارای چندین لایه پردازشی متشکل از چندین لایه تبدیلات خطی و غیر خطی هستند، مدل می‌کنند.
به بیان دیگر پایهٔ آن بر یادگیری نمایش دانش و ویژگی‌ها در لایه‌های مدل است.
در یادگیری ژرف امید به جایگزینی استخراج این ویژگی‌های تصویر به دست بشر با روش‌های کامل خودکار بی‌نظارت و نیمه نظارتی وجود دارد.
انگیزهٔ نخستین در بوجود آمدن این ساختار یادگیری از راه بررسی ساختار عصبی در مغز انسان الهام گرفته شده‌است که در آن یاخته‌های عصبی با فرستادن پیام به یکدیگر درک را امکان‌پذیر می‌کنند.