在早期黑色素瘤检测中优化时间预测和错误分类,使用混合RCNN-LSTM模型

科学领域:

• 皮肤病学 皮肤病学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 黑色素瘤皮肤癌的发病率正在增加,因此早期检测至关重要.
• 深度学习算法提高了皮肤癌预测分类的准确性.
• 恶性黑色素瘤是由黑色素细胞的异常生长引起的,需要及时诊断.

研究的目的:

• 开发和评估一个深度学习模型,以准确有效地早期检测恶性黑色素瘤.
• 使用人工智能提高分类准确度,减少皮肤癌检测预测时间.
• 分析皮肤疾病图像,以更好地理解和预测黑色素瘤.

主要方法:

• 使用了国际皮肤图像收集数据集.
• 采用一次性卷积神经网络-长期短期记忆 (RCNN-LSTM) 模型进行分类.
• 集成数据预处理,RCNN的特征提取和LSTM的分类,考虑到上下文依赖性和图像增强.

主要成果:

• 实现了高性能指标:94.60%的精度,95.67%的灵敏度,95.13%的F1得分.
• 证明了降低了5.11%的分类误差和95.42%的整体准确性.
• 报告了较短的预测持续时间 (例如,输入大小为95.314s 10) 和较低的模型损失 (例如,输入大小为20的0.15%).

结论:

• 与以前的黑色素瘤早期检测方法相比,RCNN-LSTM方法提供了更好的结果.
• 该模型对上下文依赖性的考虑可以防止性能下降,并减少分类错误.
• 图像增强策略将模型损失最小化,提高未见数据的准确性,以改善黑色素瘤检测.