训练有素的神经网络框架基于皮肤癌的诊断和分类使用灰狼优化.
Amit Kumar K1, Satheesha T Y2, Syed Thouheed Ahmed3
1School of Engineering, CMR University, Bengaluru, India.
Scientific reports
|April 23, 2024
概括
这项研究引入了联合学习 (FL) 与灰狼优化 (GWO) 进行皮肤癌诊断,达到95.82%的准确性. 这种方法增强了数据分类和属性提取,以改善诊断模型.
科学领域:
- 皮肤病学和人工智能研究
- 计算生物学和生物信息学
背景情况:
- 皮肤癌的诊断依赖于分析表皮突变和视觉特征.
- 当前的诊断方法经常使用独立的数据集,限制了通用性和现实世界的适用性.
- 开发强大而准确的皮肤癌分类技术对于早期检测和治疗至关重要.
研究的目的:
- 使用联邦学习 (FL) 来优化和分类基于Kaggle的皮肤癌数据集.
- 提取数据集属性依赖关系并执行维度映射以进行改进的分析.
- 通过 FL 增强的神经网络框架内验证和训练优化的数据集.
主要方法:
- 联邦学习 (FL) 用于数据集优化和分类.
- 灰狼优化 (GWO) 算法用于提取数据集属性依赖性和维度映射.
- 通过FL标准扩展的神经网络框架,用于值验证和培训.
主要成果:
- 在分类任务中,GWO技术表现出95.82%的高精度.
- 训练神经网络 (TNN) 和递归学习 (RL) 的结合方法实现了94.9%的准确性.
- 该方法有效地从优化数据集中处理和索引标记的数据数组.
结论:
- 拟议的基于FL的方法,与GWO集成,显著改善皮肤癌数据集的分类和诊断准确性.
- 该研究强调了联合学习标准在提高医疗图像分析神经网络性能方面的潜力.
- 准确的数据处理和属性提取是开发可靠的AI驱动的皮肤癌诊断工具的关键.


