使用EfficientNet增强皮肤病诊断:一种深度学习方法
Ionela Manole1, Alexandra-Irina Butacu1,2, Raluca Nicoleta Bejan3
12nd Department of Dermatology, Colentina Clinical Hospital, 020125 Bucharest, Romania.
Bioengineering (Basel, Switzerland)
|August 29, 2024
概括
皮肤病变分类的新深度学习模型实现了高精度,为皮肤病理学提供了更快,更具成本效益的计算机辅助诊断工具. 这一进步通过改进的医疗技术支持精准医学.
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:
- 医疗技术继续进步,精准医学成为一个关键的增长领域.
- 机器学习 (ML) 和深度学习 (DL) 正在推动这些进步,由增加的计算能力推动.
- 这项研究的重点是DL应用计算机辅助诊断 (CADx) 在皮肤病学.
研究的目的:
- 开发和评估一种用于皮肤病变分类的新型深度学习模型.
- 与现有模型相比,以更小,更快,更具成本效益的推断时间实现优越的诊断性能.
- 探索DL在增强皮肤病诊断能力方面的潜力.
主要方法:
- 使用EfficientNetB3架构开发了一个定制的深度学习模型.
- 该模型在8222张皮肤图像的数据集上进行了训练和验证,其中包括来自作者收藏和ISIC 2019档案的数据.
- 数据集包括六种常见的皮肤病.
主要成果:
- 该模型在四大类 (黑色素瘤,基底细胞癌,良性角质炎样病变,黑色素细胞瘤) 中实现了95.4%的验证准确度.
- 当包括更少图像的两个额外类别 (状细胞癌,行为性角质瘤) 时,验证准确率为88.8%.
- 该模型在新的临床试验图像上表现出一致的准确性.
结论:
- 定制深度学习模型在分类各种皮肤病变方面表现出色.
- 该模型为皮肤病学中计算机辅助诊断提供了一个有前途的工具.
- 这种DL方法的进一步改进和应用有很大的潜力.
