通过使用深度特征融合进行公正的皮肤癌分类
Ali Atshan Abdulredah1, Mohammed A Fadhel2, Laith Alzubaidi3
1National School of Electronics and Telecoms of Sfax, University of Sfax, Sfax, Tunisia.
BMC medical informatics and decision making
|January 31, 2025
概括
一个新的深度学习模型SkinWiseNet (SWNet) 在检测恶性皮肤癌方面取得了很高的准确性. 它的特征融合方法增强了分类,解决了对不同肤色和头发状况的偏见.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 皮肤病学 皮肤病学
背景情况:
- 皮肤癌的检测仍然是医疗保健中的一个关键挑战.
- 现有的深度学习模型可能会表现出与皮肤色调和头发相关的偏见.
- 准确和早期诊断对于改善患者的治疗结果至关重要.
研究的目的:
- 推出SkinWiseNet (SWNet),这是一个用于皮肤癌检测和分类的深层卷积神经网络.
- 提高模型效率,解决数据集中的潜在偏差.
- 为了提高人工智能驱动的皮肤癌诊断的准确性和可解释性.
主要方法:
- 开发了SWNet,这是一个深层卷积神经网络,具有优化的特征提取和网络宽度增强.
- 实现了功能融合,以整合来自不同数据集的见解,减轻偏差.
- 利用可解释的人工智能 (XAI) 技术,特别是Grad-CAM,用于模型解释性.
- 在四个公共数据集上进行了实验:Mnist-HAM10000,ISIC2019,ISIC2020和黑色素瘤皮肤癌.
主要成果:
- 与EfficientNet,MobileNet和Darknet.net相比,SWNet获得了更高的性能.
- 获得了99.86%的准确性和99.95%的F1得分.
- 证明了在多个层面上有效的梯度传播和特征捕获.
结论:
- 斯威网显示了促进皮肤癌检测和分类的巨大潜力.
- 功能融合有效地提高了准确性,并减少了与头发和皮肤色调相关的偏见.
- 该模型提供了一个强大的工具,用于准确,早期的皮肤癌诊断,改善患者护理.
