使用人工智能技术进行皮肤癌诊断的早期自动检测系统
Nourelhoda M Mahmoud1, Ahmed M Soliman2
1Biomedical Engineering Department, Faculty of Engineering, Minia University, Minya, Egypt. nourelhoda.mahmoud@mu.edu.eg.
Scientific reports
|April 28, 2024
概括
这项研究介绍了一种人工智能驱动的系统,用于使用皮肤显微镜图像进行早期皮肤癌检测. 适应性蛇算法在细分方面实现了96%的准确性,表现优于区域增长.
科学领域:
- 生物医学工程 生物医学工程
- 皮肤病学中的人工智能
- 医学成像分析 医学成像分析
背景情况:
- 皮肤癌是一个重要的全球健康问题,早期检测对于减少死亡率至关重要.
- 传统的皮肤癌检测方法是侵入性的,昂贵的,并且可能有疾病传播的风险.
- 人工智能 (AI) 为医疗保健中改进,自动化诊断系统提供了潜力.
研究的目的:
- 开发和评估一种自动化系统,用于使用皮肤镜图像早期检测皮肤癌.
- 为了比较自适应蛇 (AS) 和区域生长 (RG) 算法的图像细分效果.
- 评估人工神经网络 (ANN) 和支持矢量机器 (SVM) 的性能,以进行分类.
主要方法:
- 使用自适应蛇 (AS) 和区域生长 (RG) 算法对皮肤镜像进行自动细分.
- 使用人工神经网络 (ANN) 和支持矢量机器 (SVM) 的细分图像的自动分类.
- 基于准确性,精度,特异性,灵敏性和F1得分的算法性能进行比较分析.
主要成果:
- 适应性蛇 (AS) 算法显示,与区域生长 (RG) (90%) 相比,更高的细分精度 (96%).
- 使用人工神经网络 (ANN) 提出的系统实现了高性能指标:94%的准确性,96%的精度,95.83%的特异性,92.30%的灵敏性和0.94的F1分数.
- 这种基于人工智能的系统为早期皮肤癌检测提供了一种用户友好,高效和节省时间的方法.
结论:
- 由人工智能驱动的自动化系统显著提高了从皮肤镜像中早期检测皮肤癌的效果.
- 在这种情况下,自适应蛇算法是对细分的更准确和更有效的选择.
- 人工神经网络为皮肤癌的自动诊断提供了卓越的分类性能,改善了患者的治疗结果.
