尽管乳房X光检查(乳房X线照片)可降低乳腺癌死亡率是公认的事实，但与此类筛查相关的假阳性召回比例很高，加速了IBM，麻省理工学院计算机科学和人工智能实验室以及其他。但是这些也不是完美的，因为大多数模型都在一次筛选检查中运行。

这个缺点促使纽约大学数据科学中心和放射学系的研究人员提出了一种机器学习框架，该框架可以利用先前的检查来进行诊断(“通过事先检查来筛查乳房X线照片分类”)。他们说，在初步测试中，它降低了基线的错误率，并在曲线下(预测所有分类阈值的性能的度量)下的面积达到了0.8664，以预测筛查人群的恶性程度。

共同作者写道：“放射科医生经常将当前的乳房X线照片与先前的乳房X线照片进行比较，以做出更明智的诊断。” “例如，如果可疑区域的大小或密度随着时间的推移而增长，则放射科医生可以更加确信该区域是恶性的。相反，如果可疑区域没有增长，则可能是良性的。

该小组在开放源代码的纽约大学乳腺癌筛查数据集上训练了一套完整的机器学习模型，每次筛查至少包含一张与乳房X线照片筛查中通常使用的四种视图相对应的图像(右颅尾，左颅尾，右中外侧斜，和左中外侧斜)。他们使用四个二进制标签来指示左或右乳房中是否存在良性或恶性发现，并小心地仅考虑数据集的子集，其中包括可以进行先前检查的患者。

汇编的主体包含来自43,013位患者的127,451对检查，其中2,519对进行了至少一次活检。

该团队在数据上训练了一组机器学习模型，然后仅使用一部分训练数据集比较了它们的性能。他们指出，良性预测的基线没有明显改善，他们将其归因于算法倾向于关注发生重大变化的扫描区域的趋势。(良性发现没有很多改变。)但是他们发现其中一个模型AlignLocalCompare相对于恶性发现显示出了显着改善，预测肿瘤的可能性为0.97，而基线的预测为0.73，而肿瘤的可能性为0.93。两个患者两次检查之间的年间隔。