使用定制深度可学习层与可解释的人工智能 (XAI) 来检测蓝色面和病变分类
M A Rasel1, Sameem Abdul Kareem1, Zhenli Kwan2
1Department of Artificial Intelligence, Faculty of Computer Science and Information Technology, Universiti Malaya, Kuala Lumpur, 50603, Malaysia.
Computers in biology and medicine
|June 21, 2024
概括
这项研究引入了一种新的深度卷积神经网络 (DCNN),用于检测皮肤病变中的蓝白面 (BWV),这是黑色素瘤的关键指标. 该DCNN显著提高了早期黑色素瘤诊断的准确性.
科学领域:
- 皮肤病学和人工智能研究
- 医学成像分析 医学成像分析
- 在瘤学瘤学.
背景情况:
- 黑色素瘤是一种致命的皮肤癌,在全球造成数千人死亡.
- 蓝白面 (BWV) 是黑色素瘤的一个关键诊断特征.
- 在皮肤学图像中自动检测BWV存在有限的研究.
研究的目的:
- 开发和评估一个深度卷积神经网络 (DCNN),用于在皮肤病变中准确检测BWV.
- 通过加强BWV识别来改善早期黑色素瘤诊断.
- 为了利用可解释的人工智能 (XAI) 来实现模型的解释性.
主要方法:
- 一个没有注释的数据集被转换成一个注释的,使用一种新的成像算法与颜色值技术.
- 一个DCNN是用定制层设计的,并对单个和组合的皮肤镜数据集进行训练.
- 应用了一个可解释的人工智能 (XAI) 算法来解释DCNN的决策过程.
主要成果:
- 拟议的DCNN实现了高的测试准确率: 85.71% (PH2),95.00% (ISIC),95.05% (组合) 和90.00% (Derm7pt).
- 在各种数据集中,DCNN的性能优于传统的BWV检测模型.
- 整合XAI为DCNN的BWV检测机制提供了洞察力.
结论:
- 开发的DCNN与XAI相结合,显著提高了皮肤病变中的BWV检测.
- 这种方法为改善早期黑色素瘤诊断提供了一个强大的工具.
- 该研究强调了AI在皮肤学图像分析中用于癌症检测的潜力.
