通过微调预训练模型来提高皮肤癌诊断:一种两相转移学习方法

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:

• 皮肤癌是一个全球性的健康问题,需要早期检测才能获得更好的结果.
• 皮肤癌的传统诊断方法可能是主观的,耗时的.
• 机器学习为自动化和准确的皮肤病变分类提供了潜力.

研究的目的:

• 评估转移学习和微调技术在使用深度学习模型对皮肤病变进行分类时的有效性.
• 在HAM10000数据集上比较9个不同的预训练卷积神经网络 (CNN) 模型的性能.

主要方法:

• 实施了两阶段的深度学习方法:使用冷层转移学习,然后对所有层进行微调.
• 九个预训练模型 (VGG16,VGG19,InceptionV3,Xception,DenseNet121,等等) 已经进行了预训练. 进行了评估.
• 在HAM10000数据集上使用准确性,精度,回忆和F1分数指标来评估性能.

主要成果:

• 微调的VGG16型号实现了最高的测试设置准确率99.3%.
• 其他模型也表现出高性能,表明了拟议方法的有效性.
• 这项研究强调了深度学习在精确皮肤癌分类方面的潜力.

结论:

• 先进的机器学习模型,特别是VGG16,在皮肤癌分类方面表现出很高的有效性.
• 这些发现支持将AI整合到皮肤病学中,以提高诊断准确度.
• 这项研究为改善皮肤癌检测临床决策提供了宝贵的见解.