变得更小:用于自动黑色素瘤诊断的基于注意力的模型
1Computer Vision and Robotics Group, University of Girona, Plaça de Sant Domènec, 3, Girona, 17004, Spain.
Computers in biology and medicine
|December 5, 2024
概括
新的紧型深度学习模型显著提高了黑色素瘤诊断的准确性. 这些高效的卷积神经网络 (CNN) 架构为 Point-of-Care 应用提供了强大而又小的诊断工具.
科学领域:
- 人工智能在医学中的应用
- 计算皮肤病学 计算皮肤病学
- 医学成像分析 医学成像分析
背景情况:
- 早期的黑色素瘤诊断对于患者的治疗结果至关重要.
- 目前的先进诊断模型是计算密集型,限制了实际应用.
- 拥有数百万参数的大型组合模型对现实世界的部署构成挑战.
研究的目的:
- 开发和评估基于注意力的紧卷积神经网络 (CNN) 架构,用于黑色素瘤分类.
- 评估在资源有限的环境中部署高效的诊断模型的可行性,例如基于智能手机的皮肤镜.
- 将新型紧型模型的性能与领先的国际皮肤成像协作 (ISIC) 2020年挑战获胜者的性能进行比较.
主要方法:
- 使用EfficientNet-B3骨干开发基于注意力的新型CNN架构.
- 与2020年国际皮肤成像协作 (ISIC) 挑战的顶级获奖者进行比较分析.
- 使用两个独立的测试集进行评估,以验证性能和效率.
主要成果:
- 拟议的紧型CNN架构实现了与顶级ISIC 2020挑战获胜者相提并论或更好的性能.
- 模型表现出高精度,同时使用的参数显著减少 (高达98%的减少).
- 这些架构显示了诊断效率和准确性之间的强烈平衡.
结论:
- 紧的,以注意力为基础的CNN模型可用于准确的黑色素瘤诊断.
- 这些高效的模型可以彻底改变临床诊断,特别是在偏远或资源不足的地区.
- 开发的架构为实时黑色素瘤检测提供了一个实用的解决方案,减少了计算需求.
