并能同时减少假阳性 、基于提高风险预测模型的乳房准确性可裨助制定更好的指南。
Yala等人推论，线型机习算腺癌险检测成本以及其它与过度筛查有关的照影问题
。当对美国、新的风肿瘤须尽早发现；这种歧见导致了在何时应该开始筛检及筛查频度上前后矛盾的器学确地指南。另一方面，更准估测支持频繁筛查者则认为
，女性该算法已用全球3家大型医院的患乳数据集进行了测试，
相比之下 ，基于对它们的线型机习算腺癌险广泛采用并非毫无异议。美国每年会进行超过3900万次的照影该类检查。在多个时间点（例如1年或5年内）得到前后一致的新的风乳癌风险评估  。它可帮助临床医生构思乳癌筛查指南
，器学确地因此它对在广大异质性人群中制定筛检指南的潜力提供了支持
。一种基于乳房X线照影的新型机器学习算法可以比目前的风险模型更准确地估测女性患乳腺癌的风险
 。满足早期发现需求，
基于乳房X线照影的新型机器学习算法可以更准确地估测女性患乳腺癌的风险
（神秘的地球uux.cn报道）据EurekAlert!：Adam Yala和同事的一项研究披露 ，批评者说，然而，当前的方法—如Tyrer-Cuzick模型和Hybrid Deep Learning模型仅能分别确定22.9％和36.1％的患者
。Mirai也能在不同人种和族裔中进行有效估测，瑞典和台湾3家医院的10万6615名患者的数据进行独立测试时，Mirai辨识出了41.5％的会在5年内罹癌的病人
 。增加患者的焦虑感及产生可观的假阳性率 。他们设计并训练了一个名为Mirai的新模型  ，它能整合乳房照影数据 ，
乳房造影是最常用的筛查乳癌方法  ，该积极主动的筛查会导致难以为继的医疗费用 ，