GAN semisupervisado con regularización híbrida y ajuste de hiperparámetros evolutivos para la detección precisa del melanoma

Área de la Ciencia:

• Inteligencia artificial
• Imágenes médicas
• Biología computacional

Sus antecedentes:

• El diagnóstico del melanoma se basa en la detección temprana, a menudo obstaculizada por las limitaciones de los métodos tradicionales de aprendizaje supervisado que requieren extensos datos etiquetados.
• Los modelos de aprendizaje supervisado para el melanoma son sensibles a la configuración de hiperparámetros, lo que afecta la precisión del diagnóstico.
• Las redes adversarias generativas semisupervisadas convencionales (SS-GAN) se enfrentan a desafíos como el colapso del modo y la generalización deficiente.

Objetivo del estudio:

• Desarrollar un modelo de diagnóstico mejorado para la detección de melanoma utilizando una red generativa semi-supervisada (SS-GAN).
• Mejorar la precisión y la generalización de las SS-GAN abordando el colapso de modo, el modelado de dependencia global y la confiabilidad de la pseudoetiqueta.
• Optimizar los hiperparámetros del modelo utilizando un algoritmo mejorado de colonias de abejas artificiales (ABC) para una clasificación robusta del melanoma.

Principales métodos:

• Implementó una nueva arquitectura SS-GAN que incorpora pérdidas de reconstrucción y mecanismos de autoatención tanto en el generador como en el discriminador.
• Aplicación de estrategias de regularización de la consistencia y pseudoetiquetado para mejorar la estabilidad del discriminador y la capacitación con datos sin etiquetar.
• Utilizó un algoritmo de colonia de abejas artificiales basado en el aprendizaje mutuo (ML-ABC) para la optimización de hiperparámetros, reduciendo la dependencia de la sintonización manual.

Principales resultados:

• El modelo propuesto logró altas medidas de F en cuatro conjuntos de datos de referencia: ISIC-2020 (92,77%), HAM10000 (93,38%), PH2 (90,63%), y DermNet (92,62%).
• Se ha demostrado una mejora significativa en la distinción de imágenes de melanoma de imágenes de no melanoma, particularmente en condiciones de datos etiquetados limitados.
• El SS-GAN mejorado abordó efectivamente el colapso del modo y mejoró la representación de características a través de la autoatención y la pérdida de reconstrucción.

Conclusiones:

• El desarrollado ML-ABC optimizado SS-GAN proporciona un enfoque robusto y preciso para la clasificación de imágenes de melanoma, especialmente con escasos datos etiquetados.
• Las mejoras arquitectónicas propuestas y la estrategia de optimización mejoran la fiabilidad y el rendimiento de las redes adversarias generativas en el diagnóstico médico.
• Este estudio ofrece una herramienta valiosa para la detección temprana del melanoma, contribuyendo a mejorar los resultados de los pacientes y la eficacia del tratamiento.