深度学习方法用于在恶性和良性皮肤疾病的背景下对状图像进行分类

科学领域:

• 皮肤病学和人工智能研究
• 医学图像分析 医学图像分析
• 计算病理学计算病理学

背景情况:

• 皮肤疾病的错误诊断导致错误的治疗,并可能造成严重后果.
• 深度学习 (DL) 越来越多地用于医学诊断,但研究往往不包括 keloid 图像.
• 这项研究解决了使用非皮肤镜图像进行基于DL的 keloid 诊断的需求.

研究的目的:

• 开发和比较卷积神经网络 (CNN) 模型来对皮肤病变进行分类,特别侧重于状体.
• 用非皮肤镜图像来区分基洛因与其他良性和恶性皮肤疾病.
• 评估各种转移学习模型在皮肤病变分类方面的表现.

主要方法:

• 使用九个CNN基础模型 (VGG16,MobileNet,InceptionV3,DenseNet121,EfficientNetB0,Xception,InceptionRNV2,EfficientNetV2L,NASNetLarge) 进行转移学习. 这是一个很好的例子.
• 应用模型到结合的数据集的 keloid 图像和其他皮肤病变 (良性和恶性).
• 使用准确性,精度,回忆,F1得分和AUC-ROC指标进行模型性能比较.

主要成果:

• 微调的VGG16模型实现了基洛因分类的最高性能 (精度:0.985,精度:1.0,回忆:0.857,F1:0.922,AUC-ROC:0.996).
• VGG16还在所有类别中表现出最佳的整体平均表现.
• DenseNet121在区分基洛因和类似的恶性疾病方面表现出卓越的表现.

结论:

• 深度学习算法显示,尽管数据有限,但在识别和分类诸如化体等良性皮肤疾病方面具有显著的潜力.
• 该研究强调了DL在皮肤疾病诊断中的能力和局限性.
• 需要进一步的研究来解决皮肤病学DL应用的图像收集和处理方面的挑战.