深度特征提取和机器学习组合的混合,用于不平衡的皮肤癌数据集
Neetu Verma1, Ranvijay1, Dharmendra Kumar Yadav1
1Computer Science & Engineering Department, MNNIT Allahabad, Prayagraj, Uttar Pradesh, India.
Experimental dermatology
|December 23, 2024
概括
这项研究引入了一种新的机器学习和深度学习方法,用于准确地分类皮肤癌,特别是在不平衡的数据集上. 组合模型实现了高精度,改善了早期诊断和患者的治疗结果.
科学领域:
- 皮肤病学 皮肤病学
- 医疗成像医学成像
- 计算生物学 计算生物学
背景情况:
- 皮肤癌是一种普遍且危险的疾病,需要准确的早期诊断.
- 现有的分类方法与不平衡的数据集作斗争,阻碍了准确的诊断.
研究的目的:
- 开发一种使用机器学习 (ML) 和深度学习 (DL) 技术的先进皮肤癌分类模型.
- 提高对不平衡皮肤癌数据集的分类性能.
主要方法:
- 从深度学习模型 (DenseNet201,Xception,Mobilenet) 中提取特征,然后进行ML分类.
- 集成技术被用于汇总预测,以提高准确性和稳定性.
- 使用类重量更新和数据增强策略来处理数据不平衡.
主要成果:
- 拟议的混合ML-DL模型在HAM10000和ISIC数据集上实现了高分类性能.
- 实现了98.7%和94.4%的准确性,精度,回忆和F1分数在两个数据集中都超过了95%.
- 在分类准确性和概括性方面比现有方法显著改进.
结论:
- 结合ML-DL方法有效地对皮肤癌进行分类,即使数据不平衡.
- 这种方法为皮肤科医生提供了一种有价值的工具,有可能改善早期检测和患者护理.
- 该研究强调了混合人工智能模型在医学诊断中的潜力.
