使用强化学习和支持向量机器优化,通过增强的鱼类迁移优化算法优化,从皮肤镜像中检测黑色素瘤的最佳方法.
Qianqian Liu1, Hiroto Kawashima1, Asad Rezaei Sofla2,3
1Laboratory of Microbiology and Immunology, Graduate School of Pharmaceutical Sciences, Chiba University, Chiba 260-8675, Japan.
Heliyon
|October 27, 2023
概括
一种新方法使用强化学习和增强鱼迁移优化器 (EFMO) 算法进行最佳黑色素瘤检测. 这种方法增强了早期皮肤癌诊断,改善了患者的治疗结果.
科学领域:
- 皮肤病学和人工智能研究
- 计算生物学和机器学习
背景情况:
- 早期发现黑色素瘤对于减少这种侵袭性皮肤癌的死亡率至关重要.
- 目前的诊断方法包括侵入性活检和非侵入性智能方法.
- 需要改进,高效和准确的方法来诊断黑色素瘤.
研究的目的:
- 为早期和准确检测黑色素瘤开发一种新的,优化的方法.
- 为了利用先进的机器学习技术来提高皮肤癌的诊断.
主要方法:
- 该研究使用了强化学习来精确细分皮肤区域.
- 使用增强鱼迁移优化器 (EFMO) 算法进行特征提取和选择.
- 黑色素瘤的分类是使用由EFMO算法优化的支持矢量机 (SVM) 来实现的.
主要成果:
- 拟议的方法在黑色素瘤检测方面表现出卓越的性能.
- 对SIIM-ISIC黑色素瘤数据集的验证显示,该方法的性能优于其他12种现有方法.
- 欧洲粮农组织的算法有效地优化了特征选择和SVM分类.
结论:
- 开发的方法为早期黑色素瘤检测提供了一个有希望的,高度准确和高效的工具.
- 这种人工智能驱动的方法有可能显著帮助皮肤科医生诊断皮肤癌.
- 强化学习和元启发性优化的整合为医学图像分析提供了一个强大的策略.
更多相关视频
10:23Screening for Melanoma Modifiers using a Zebrafish Autochthonous Tumor Model
Published on: November 13, 2012
13.7K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
