HiTrace:在皮肤病变上进行开放式识别的层次类追踪方法

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 医学诊断 医学诊断 医学诊断

背景情况:

• 开放式识别 (OSR) 对医疗诊断中可靠的AI至关重要.
• 现有的OSR方法在识别新型类别方面面临挑战,特别是在复杂的医疗数据中.
• 准确的皮肤病变分类对于及时的患者护理至关重要.

研究的目的:

• 介绍HiTrace,一种新的层次类跟踪方法,用于在皮肤病变分类中推进OSR.
• 通过简化识别新的皮肤疾病来解决当前OSR方法的局限性.
• 为全面的OSR绩效评估制定可靠的评估指标.

主要方法:

• 开发了HiTrace,结合了层次意识原型 (HAP) 学习,分布增强 (DE) 模块和潜在类追踪算法 (PCTA).
• 利用层次分类来简化新皮肤疾病的分类.
• 引入了两个新的指标:分层开放集分类得分 (HOC-Score) 和开放集样本的主要类型准确性 (MTACC-O).

主要成果:

• 在PAD-UFES-20和ISIC 2019数据集上,HiTrace显示了显著的改进.
• 在HOC-Score中实现了15.3%和21.1%的相对改善,在MTACC-O.中实现了12.3%和5.8%的相对改善.
• 保持了具有竞争力的封闭集性能,同时增强了开放集分类能力.

结论:

• HiTrace代表了OSR在医学诊断方面的重大进步,特别是在皮肤病变分类方面.
• 该研究提供了一个新的三个阶段的OSR分析框架在实际的医疗环境中.
• 这种方法增强了皮肤疾病的早期检测和治疗,影响了患者护理和未来的人工智能研究.