一个具有适应性多式融合的多阶段多式学习算法,用于改进多标签皮肤病变分类
Lihan Zuo1, Zizhou Wang2, Yan Wang2
1School of Computer and Artificial Intelligence, Southwest Jiaotong University, Chengdu 610000, PR China.
Artificial intelligence in medicine
|February 27, 2025
概括
这项研究引入了一种新的深度学习方法,用于使用临床图像,皮肤透视图像和元数据来诊断皮肤癌. 混合融合策略通过适应性地结合多式联运信息来提高诊断准确性.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 在瘤学瘤学.
背景情况:
- 皮肤癌是一个重大的全球健康问题,导致癌症发病率和死亡率.
- 准确及时诊断对于有效的皮肤癌治疗和患者的生存至关重要.
- 目前用于皮肤癌查的深度学习方法通常使用单模态输入,限制了诊断准确度.
研究的目的:
- 开发一种用于皮肤癌诊断的新型多模式学习算法.
- 引入基于不确定性的混合融合策略,以提高诊断准确度.
- 从临床图像,皮肤镜像图像和元数据中适应性地结合信息.
主要方法:
- 开发了一种混合融合策略,将中期和晚期融合技术结合起来.
- 用同位素相似性和连接来融合临床和皮肤镜像特征.
- 基于不确定性的晚期融合被用来整合图像和元数据模式.
主要成果:
- 拟议的方法在对公共皮肤病数据集的全面实验评估中证明了其有效性.
- 混合融合战略成功地利用了来自多种模式的互补和相关信息.
- 不确定性机制允许各种数据类型的自适应和自信融合.
结论:
- 开发的基于不确定性的混合融合算法显著提高了皮肤病变的自动分类.
- 这种方法为皮肤癌诊断提供了比单一模式方法更强大,更适应性的解决方案.
- 这些发现表明,自动皮肤癌检测系统的临床适用性有所改善.
