基于特征学习的深度学习模型,用于强大的黑色素瘤预测
IEEE journal of biomedical and health informatics
|March 3, 2025
概括
这项研究引入了一个强大的深度学习模型,使用无类激活地图 (CAAM) 来提高黑色素瘤预测的准确性,尽管图像变化. 该方法提高了皮肤病变分析的诊断可靠性.
科学领域:
- 皮肤病学和医学成像学
- 医疗保健中的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 皮肤病变成像的变化,特别是定位,挑战了深度学习模型的诊断准确性.
- 由于图像转换导致的不一致的模型激活会降低黑色素瘤检测的可靠性.
研究的目的:
- 开发一个强大的深度学习模型用于黑色素瘤预测,该模型解决了图像可变性和转换强度.
- 提高皮肤病变分析的诊断准确性和可靠性,使用无类激活地图 (CAAM).
主要方法:
- 利用国际皮肤成像协作 (ISIC) 2017年和2019年的数据集,专注于黑色素瘤和瘤分类.
- 开发了一个深度学习模型,结合了无类激活地图 (CAAM) 来确保强大的特征学习.
- 使用接收器操作特征曲线下的面积 (AUROC) 和使用子分数的稳定性来评估模型性能.
主要成果:
- 在ISIC 2019数据集上为ConvNeXt获得了0.954的AUROC,证明了高预测性能.
- 在ISIC 2019上获得的子得分为0.664 (ConvNeXt) 和0.457 (ResNet),表明稳定性有所改善.
- 在ISIC 2017数据集中,ConvNeXt的AUROC为0.843,Dice的得分为0.557 (ConvNeXt) 和0.306 (ResNet). 在ISIC 2017数据集中,ConvNeXt的AUROC为0.843,Dice的得分为0.557 (ConvNeXt) 和0.306 (ResNet).
结论:
- 提出的基于CAAM的深度学习方法显著改善了黑色素瘤预测和病变识别精度.
- 这种方法确保了强大而一致的激活地图,提高了皮肤病变的整体诊断可靠性.
- 开发的方法和代码是公开可用的,用于进一步的研究和应用.
