使用人工神经网络 (ANN) 和改进的灰狼优化 (IGWO) 进行皮肤癌诊断 (SCD)
Wanqi Lai1, Meixia Kuang2, Xiaorou Wang1
1The First Clinical Medical School of Guangzhou University of Chinese Medicine, Guangzhou, 510405, Guangdong, China.
Scientific reports
|November 8, 2023
概括
这项研究引入了一种先进的机器学习方法,用于早期发现皮肤癌. 这种新的方法提高了诊断的准确性,通过精确的图像分析和分类来改善患者的治疗结果.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 皮肤癌 (SC) 构成严重的健康风险,需要准确及时诊断才能有效治疗.
- 早期发现SC对于提高治疗效率和预防疾病进展至关重要.
- 机器学习 (ML) 为自动化SC检测 (SCD) 提供了一个有希望的途径,但需要优化模型以获得更高的准确性.
研究的目的:
- 开发和评估一种新的,高度准确的皮肤癌检测方法,使用优化技术和人工神经网络 (ANN) 的组合.
- 通过集成先进的图像处理和机器学习算法来提高SC检测模型的性能.
主要方法:
- 一个四步过程,包括预处理,使用Kohonen神经网络进行图像细分,通过贪搜索算法 (GSA) 增强感兴趣区域 (ROI),并使用卷积神经网络 (CNN) 进行特征提取.
- 提取的特征的分类使用一个ANN优化改进的灰狼优化 (IGWO) 算法,它调整神经元数量和重量向量.
- 整合了一个概率模型来加快GWO算法的收.
主要成果:
- 与未经优化模型相比,IGWO优化的ANN在诊断准确度上显著提高了至少5%.
- 拟议的方法在基准数据集上实现了高诊断准确度,在ISIC-2016上平均为97.09%在ISIC-2017上为95.17%.
- 性能比较表明,与现有的SC检测方法相比,精度提高了至少0.5%.
结论:
- 建议的混合方法结合了优化算法和ANN,有效地提高了皮肤癌检测的准确性.
- 在优化ANN结构和重量方面应用IGWO算法代表了自动化SC诊断的重大进步.
- 该方法在皮肤癌的早期和准确诊断中具有很强的临床应用潜力.
