机器学习方法用于皮肤新生体诊断

科学领域:

• 皮肤病学和医学成像学
• 医疗保健中的人工智能
• 计算病理学计算病理学

背景情况:

• 传统的皮肤瘤诊断方法,如体检和活检,往往耗时且容易出现错误.
• 机器学习 (ML) 在准确分类皮肤图像方面展示了潜力,区分了黑色素瘤和黑色素细胞瘤等疾病.
• 现有的计算机辅助诊断 (CADx) 系统需要加强,以提高皮肤病学诊断性能.

研究的目的:

• 研究和增强机器学习方法,以提高CADx系统在诊断皮肤疾病中的性能.
• 评估生成对抗网络 (GAN) 和数据平衡技术在提高皮肤图像分类准确度方面的有效性.
• 为了比较各种ML模型的性能,包括LDA,SVM,CNN和组合方法,用于皮肤瘤诊断.

主要方法:

• 使用探索性数据分析 (EDA) 进行数据规范化,以防止模型过拟合.
• 应用合成少数群体过量采样技术 (SMOTE) 来解决数据集中的类不平衡问题.
• 使用生成对抗网络 (GAN) 歧视器来识别和删除人工图像.
• 在HAM10000数据集上训练并评估了线性差异分析 (LDA),支持向量机 (SVM),卷积神经网络 (CNN) 和合并CNN-SVM模型.

主要成果:

• 对于LDA,SVM,CNN和CNN-SVM组合的初始准确率分别为49%,72%,77%和79%.
• 在应用GAN (区分器) 和SMOTE后,准确度显著提高:LDA (76%),SVM (83%),CNN (87%) 和合奏CNN-SVM (94%).
• 综合CNN-SVM模型实现了最高准确度的94%后增强,证明了卓越的性能.

结论:

• 机器学习模型,特别是CNN-SVM组合,在增强CADx系统用于皮肤瘤诊断方面显示出巨大的前景.
• 数据预处理技术,包括GAN和SMOTE,对于提高医学图像分析中的ML模型的准确性和稳定性至关重要.
• 进一步的研究将探索额外的ML模型和数据集,以推进自动化皮肤疾病诊断.