纽约大学训练深度卷积神经网络（CNN）用于判读乳房X光片，找出乳癌病征，并期望将机器学习模型侦测集成进乳癌筛检流程，能提高筛检效率，而实验也证实，机器学习模型预测乳癌的精确度已经高于单位放射科医师，而且在筛检流程中，同时结合医师的专业和模型预测，将能有效减少医生人力并提升判读精确度。
研究人员提到，乳癌的研究主要遭遇两项困难，第一是训练数据集不足，另一个则是乳房摄影的图像分辨率过大。由于采用深度学习方法的计算机视觉技术，需要大量的训练图像数据集，数据集的多寡会直接影响模型预测的精确度，而通常一般的计算机视觉应用，会使用拥有1,400万张图片的ImageNet数据集，作为训练数据。
不过，可用的公共乳癌数据集非常少，像是DDSM（Digital Database for Screening Mammography）数据集仅有一万张图像，因此为了要解决这个问题，纽约大学自己构建了乳癌筛检数据集，这是拥有大量乳房筛检X光片的庞大数据集，总共包含超过一百万张乳房X光照片。
另一个问题便是乳房X光照片的分辨率非常大，而且也必须要这么高的图片分辨率，模型才能良好地预测结果，但因为这些照片比起像是ImageNet这类数据集里的图像分辨率还要高上许多，碍于GPU内存的限制，研究团队必须要调整模型架构，他们创建了与一般ImageNet模型相比，相对较浅的22层ResNet模型。由于完整的乳房X光照片，是由4张乳房X光照片组成，因此研究团队也就同时为筛检应用4个ResNet模型。
研究人员解释，使用较浅的模型架构，意味着模型可能无法侦测到较小且局部的癌症组织，因此为弥补不足，他们也同时训练一个完整50层的ResNet-50模型，但仅用来分类图片补丁（Patch），而非整个乳房X光照片。采样的图片补丁大小为224×224像素，这个补丁会在完整的图片上滑动，以判断补丁中是否存在病变，借此搭建出癌症热点图。结合局部补丁与全局预测方法，该模型能侦测乳房X光照片中全局与局部特征。
研究团队对模型进行多个实验，该乳癌预测模型判读精确度比单个放射科医生还要高，而当一位放射科医生结合使用乳癌预测模型，则判断的精确度会比多位放射科医生的综合判读精确度还高，当多位放射科医生的判读加上乳癌预测模型，则精确度就更高了。总体而言，深度神经网络能有效的减轻放射科医生判读乳房X光片的负担，且能明显提高精确度。