皮膚癌検出のためのマルチモーダル深層学習アンサンブルフレームワーク | JoVE Visualize

科学分野:

皮膚科および医療画像
ヘルスケアにおける人工知能
計算病理学

背景:

皮膚癌は、蔓延しており致命的となる可能性のある状態であり、正確かつ早期の検出が必要です。
従来の診断方法は限界がある可能性があり、高度な計算アプローチの必要性が強調されています。
深層学習、特に畳み込みニューラルネットワーク（CNN）は、自動化された皮膚癌の特定と分類に有望です。

研究の目的:

複数の種類の皮膚癌を検出し分類するための深層学習モデルを開発・評価すること。
皮膚癌診断におけるCNNパフォーマンス向上における転移学習の有効性を評価すること。
診断精度の向上に向けたメタデータとアンサンブル技術の統合の影響を調査すること。

主な方法:

転移学習を用いて、事前学習済みモデル（ResNet50、Xception、MobileNet、EfficientNetB0、DenseNet121）を利用した畳み込みニューラルネットワーク（CNN）モデルを開発しました。
メタデータの統合と適応型重み付けアンサンブル法を用いて、モデルのパフォーマンスを向上させました。
Synthetic Minority Over-sampling Technique（SMOTE）を使用して、クラス不均衡の問題に対処しました。

主要な成果:

提案されたアンサンブルモデルは、ResNet50、Xception、EfficientNetB0とメタデータを融合し、ISIC 2018データセットで93.2%、ISIC 2019で91.1%の精度を達成しました。
外部データセット（Derm7pt）で82.5%の精度を示し、良好な汎化能力を示しました。
精度、再現率、F1スコア、AUCを含むパフォーマンス指標は、既存の最先端手法を一貫して上回りました。

結論:

転移学習は、皮膚癌検出および分類におけるCNNのパフォーマンスを大幅に向上させます。
メタデータとアンサンブル技術の統合は、診断精度の大幅な向上をもたらします。
開発された深層学習モデルは、皮膚科診断および治療戦略の最適化のための有望なツールを提供します。