通过ACCF,BPPF和CLF技术检测黑色素瘤皮肤癌,并采用机器学习方法
P Kavitha1, G Ayyappan2, Prabhu Jayagopal3
1Department of Artificial Intelligence and Data Science, Panimalar Engineering College, Chennai, India.
BMC bioinformatics
|December 5, 2023
概括
机器学习模型,包括组合方法,显著提高了黑色素瘤检测的准确性. 配色布局过器与属性选择分类器在识别这种皮肤癌症方面表现最好.
科学领域:
- 皮肤病学和计算生物学
背景情况:
- 黑色素瘤是一种常见的皮肤癌,与阳光照射密切相关,但也可能发生在阴凉的地方.
- 先进的基于计算机的成像和分析方法在生物系统研究中越来越重要.
研究的目的:
- 研究先进的机器学习方法提高黑色素瘤检测准确性的有效性.
- 评估组合模型,包括自动对应图法,二进制金字塔模式过器和色彩布局过器用于黑色素瘤诊断.
主要方法:
- 利用集体机器学习模型,特别是集成自动对应图方法,二进制金字塔模式过器和颜色布局过器.
- 使用特征选择分类器与图像过器结合使用,以提高图像质量和检测.
主要成果:
- 在属性选择分类器中,颜色布局过器模型表现出卓越的性能.
- 实现了高统计指标:准确率为90.96%,精度为0.91,回忆率为0.91,ROC为0.95,PRC为0.87,Kappa为0.87,F-Measure为0.91,马修斯相关系数为0.82.
- 这种模型显示出最小的误差率.
结论:
- 与色彩布局过器相结合的属性选择分类器有效地提高了黑色素瘤检测.
- 先进的机器学习技术显示了改善皮肤癌诊断准确性的重大前景.


