基于深度学习的皮肤损伤分类的低成本高性能数据增强
Shuwei Shen1,2, Mengjuan Xu3, Fan Zhang3
1First Affiliated Hospital, University of Science and Technology of China, Hefei 230031, China.
BME frontiers
|October 18, 2023
概括
一种新的,低成本的数据增强策略提高了AI皮肤癌查准确度,改善了服务不足地区的早期检测. 这种plug-and-play方法优化了各种医疗应用的性能,降低了计算成本.
科学领域:
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
- 计算皮肤病学 计算皮肤病学
背景情况:
- 智能皮肤癌查需要高性能,低成本的数据增强,特别是在农村部署.
- 当前的方法在资源有限的环境中可能不高效或难以使用.
研究的目的:
- 开发一种高性能,低成本的数据增强战略,用于基于人工智能的皮肤癌查.
- 改善分类性能,并突出显示临床医生感兴趣的区域.
- 为了在缺乏资源的环境中能够对各种疾病进行早期查和诊断.
主要方法:
- 建议采用一个plug-and-play数据增强策略,搜索空间为10^1.
- 该策略使用EfficientNets作为医疗数据库的基线进行了测试.
- 使用Grad-CAM++生成热图以实现模型可解释性.
主要成果:
- 在HAM10000上实现了0.853的最佳BACC,优于现有的单模型方法.
- 在ISIC 2017上获得了0.909的平均AUC,超过了组合和外部数据库模型.
- 在Derm7pt上达到0.735的最佳BACC,超过了所有相关研究. 格拉德-CAM++热图证实了精确的特征选择.
结论:
- 拟议的数据增强策略显著降低了智能皮肤病变诊断的计算成本.
- 这种方法支持开发具有成本效益的便携式人工智能设备,用于皮肤癌查和治疗指导.
- 该策略在各种临床环境中对早期疾病查和诊断具有广泛的适用性.
