一个多层次的整体方法用于皮肤病变分类,使用定制转移学习与三重注意力.

科学领域:

• 皮肤病学和人工智能研究
• 医学图像分析 医学图像分析
• 计算病理学计算病理学

背景情况:

• 皮肤病变,包括皮肤癌,需要早期检测才能有效治疗.
• 目前的自动化方法在精确的病变识别和区域定位方面存在困难.
• 深度学习模型往往缺乏可解释性,阻碍了临床信任和采用.

研究的目的:

• 开发用于皮肤病变检测的准确和可解释的深度学习框架.
• 在集体学习中引入一种用于最佳模型重量聚合的新方法.
• 为了应对确定负责模型预测的特定区域的挑战.

主要方法:

• 一个卷积神经网络 (CNN) 框架,利用定制转移学习 (CTL) 和三重注意 (TA) 模块.
• 开发多层次信息获取比例平均 (ML-IGPA) 以获得最佳集体权重.
• 梯度类激活地图 (GradCAM) 的应用,用于模型解释性和区域识别.

主要成果:

• 拟议的ML-IGPA方法在HAM1000数据集上实现了94.93%的准确性.
• 该方法在皮肤病变分类方面超越了现有的最先进的技术.
• GradCAM成功地可视化了影响模型预测的区域,提高了可解释性.

结论:

• 开发的深度学习模型显著提高了皮肤病变检测的准确性和可解释性.
• ML-IGPA技术为优化整体模型性能提供了一个强大的解决方案.
• 这种方法促进了皮肤病变的早期和更可靠的诊断,有可能降低医疗保健成本并改善患者的治疗结果.