3 статей
Представлена новая гибридная модель Quantum-SpinalNet, сочетающая Swin ResUNet3+ для сегментации опухолей и квантовую нейронную сеть (DQNN) для классификации. Исследование показало высокую эффективность на наборах данных CBIS-DDSM и DDSM с точностью 93,8%, что делает метод перспективным для клинической диагностики.
В исследовании рассматривается практическое применение алгоритмов искусственного интеллекта для оптимизации процесса маммографического скрининга в условиях клиник, обслуживающих уязвимые группы населения. Основная методология заключается в использовании ИИ для предварительной стратификации пациенток по уровню риска, что позволяет приоритизировать наиболее критические случаи. Внедрение системы позволило значительно ускорить рабочий процесс (workflow), сократив время ожидания для пациенток с высокими показателями риска. Результаты демонстрируют, что использование ИИ в условиях 'safety-net settings' помогает эффективно распределять ресурсы и повышать точность раннего выявления патологий. Данная технология имеет высокую клиническую значимость, так как она не только оптимизирует нагрузку на персонал, но и обеспечивает более быстрый доступ к диагностике для групп риска. Исследование подтверждает потенциал автоматизированной сортировки снимков для снижения нагрузки на рентгенологов и улучшения исходов скрининга.
Исследование сравнивает федеративное обучение с централизованным для классификации доброкачественных и злокачественных поражений в маммографии на двух гетерогенных датасетах (плёночные и цифровые снимки). Результаты показывают, что федеративное обучение работает надёжно в однородных условиях, но демонстрирует снижение производительности при сильном сдвиге доменов между плёночными и цифровыми изображениями.
