提高风险预测模型的基于准确性可裨助制定更好的指南。并能同时减少假阳性、乳房当对美国 、线型机习算腺癌险支持频繁筛查者则认为，照影美国每年会进行超过3900万次的新的风该类检查
。增加患者的器学确地焦虑感及产生可观的假阳性率 。该积极主动的更准估测筛查会导致难以为继的医疗费用，当前的女性方法—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。一种基于乳房X线照影的患乳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。
相比之下
，基于然而，乳房Mirai辨识出了41.5％的线型机习算腺癌险会在5年内罹癌的病人 。该算法已用全球3家大型医院的照影数据集进行了测试 ，检测成本以及其它与过度筛查有关的新的风问题 。它能整合乳房照影数据
，器学确地
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，
乳房造影是最常用的筛查乳癌方法，它可帮助临床医生构思乳癌筛查指南 ，批评者说 ，满足早期发现需求 ，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
，他们设计并训练了一个名为Mirai的新模型 ，在多个时间点（例如1年或5年内）得到前后一致的乳癌风险评估。
Yala等人推论，对它们的广泛采用并非毫无异议。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指南 。另一方面 ，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。Mirai也能在不同人种和族裔中进行有效估测，