可解释的基于人工智能的皮肤癌检测使用CNN,粒子群优化和机器学习

科学领域:

• 皮肤病学 皮肤病学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 皮肤癌是一个全球性的健康问题,需要改进的诊断方法.
• 传统的视觉皮肤癌诊断是主观的,耗时的.
• 目前用于皮肤癌检测的AI方法在效率和解释性方面存在局限性.

研究的目的:

• 为自动化皮肤癌诊断开发一个全面和高效的AI管道.
• 为了提高人工智能驱动的皮肤癌检测的准确性和可解释性.
• 解决当前人工智能方法的计算和解释性挑战.

主要方法:

• 使用预训练的卷积神经网络 (CNN) 模型进行转移学习,选择Xception作为最佳.
• 实现了粒子群集优化,将特征的维度从1024减少到508.
• 集成的机器学习分类器 (Subspace KNN,中高斯 SVM) 和可解释的AI (XAI) 技术 (Grad-CAM,LIME,封闭敏感性).

主要成果:

• 在ISIC 2018数据集上达到98.5%,在HAM10000数据集上达到86.1%的高诊断准确度.
• 通过减少特征维度,显著提高了计算效率.
• 使用XAI技术增强模型解释性,为诊断决策提供了洞察力.

结论:

• 拟议的AI管道为自动化皮肤癌诊断提供了强大,高效和可解释的解决方案.
• 这种方法有可能显著帮助临床医生在早期和准确的皮肤癌检测.
• 转移学习,特征选择和XAI的整合代表了皮肤学AI的重大进步.