ЭФФЕКТИВНАЯ ДИАГНОСТИКА ЗАБОЛЕВАНИЙ МОЛОЧНОЙ ЖЕЛЕЗЫ С ПРИМЕНЕНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ

Данная статья сосредоточено на исследовании и разработке методов эффективного обнаружения патологий молочной железы с использованием современных технологий машинного обучения, в частности You Only Look Once (YOLOv8) и Faster Region-based Convolutional Neural Network (R-CNN). В статье представлен анализ существующих подходов к диагностике заболеваний молочной железы и дана оценка их эффективности. Архитектуры YOLOv8 и Faster R-CNN используются для разработки моделей обнаружения патологий на маммографических снимках. Исследование классифицирует и анализирует выявленные патологии молочной железы на шести различных уровнях с учетом различной степени тяжести и характеристик заболеваний. Этот метод позволяет более точно оценить прогрессирование заболевания и предлагает дополнительные сведения для более персонализированного планирования лечения. Результаты классификации на этих уровнях могут повысить качество принятия медицинских решений и предоставить врачам более точную информацию, в конечном итоге повышая общую эффективность диагностики и лечения заболеваний молочной железы. Экспериментальные результаты показывают высокую точность и быструю обработку изображений, что позволяет быстро и надежно обнаруживать потенциальные патологии молочной железы. Результаты исследования подтверждают эффективность алгоритмов машинного обучения в медицинской диагностике, подчеркивая потенциал дальнейшего развития автоматизированных систем обнаружения заболеваний молочной железы для улучшения ранней диагностики и результатов лечения.