使用机器学习和深度学习从皮肤镜像诊断黑色素瘤的诊断和预后:一个系统的文献综述
Hoda Naseri1, Ali A Safaei2,3
1Department of Data Science, Faculty of Interdisciplinary Science and Technology, Tarbiat Modares University, Tehran, Iran.
BMC cancer
|January 13, 2025
概括
机器学习和深度学习显著改善了从皮肤扫描图像的黑色素瘤诊断,达到超过95%的准确性. 未来的研究重点是临床使用的数据可访问性和模型可解释性.
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:
- 黑色素瘤的诊断依赖于皮肤透视图像的准确解释.
- 机器学习 (ML) 和深度学习 (DL) 提供自动化分析,以提高诊断精度.
- 早期和准确的黑色素瘤检测对于患者的治疗结果至关重要.
研究的目的:
- 系统地审查最近ML和DL在黑色素瘤诊断和预后使用皮肤镜像的进展.
- 在现场分析模型架构,数据集,方法和性能指标.
- 确定优势,局限性和未来的研究方向.
主要方法:
- 2016年至2024年间发表的34项研究的系统审查.
- 专注于ML和DL应用在皮肤显微镜图像分析黑色素瘤.
- 评估了各种模型架构 (例如,DenseNet,ResNet) 和数据集.
主要成果:
- 包括DenseNet和DCNN在内的深度学习模型在黑色素瘤检测中实现了超过95%的准确性.
- 在像HAM10000和ISIC.这样的数据集上表现出高性能.
- 突出了数据多样性,模型解释性和计算资源方面的挑战.
结论:
- ML和DL具有显著的潜力,可以彻底改变黑色素瘤诊断,提高准确性和效率.
- 未来的研究应该优先考虑大型,可访问的数据集和改进的模型解释性.
- 应对这些挑战将提高临床适用性和推进患者护理.
