این مطالعه، استفاده از الگوریتم‌های یادگیری ماشینی را برای تمایز ضایعات خوش‌خیم و بدخیم پستان با استفاده از تصاویر سونوگرافی از ۱۲۵۹ ضایعه در سه کشور ارزیابی می‌کند. با تجزیه و تحلیل ۲۴۲ ویژگی رادیومیکس، ۳۳ ویژگی قوی برای توسعه مدل شناسایی شد. در میان الگوریتم‌های آزمایش‌شده - XGBoost، random forest  و vector machine  پشتیبان - XGBoost با دستیابی به حساسیت ۹۰.۳٪، ویژگی ۸۶.۷٪، دقت ۸۸.۴٪ و AUC 0.89، بهترین عملکرد را داشت. این یافته‌ها نشان می‌دهند که ویژگی‌های رادیومیکس با دقت انتخاب‌شده که در مدل‌های یادگیری ماشینی ادغام شده‌اند، می‌توانند ضایعات پستان را به طور دقیق تشخیص دهند، با عملکرد قوی که در مجموعه داده‌های اعتبارسنجی خارجی حفظ شده است، که پتانسیل هوش مصنوعی را در تصویربرداری تشخیصی برجسته می‌کند.