SkinEHDLF是一种混合深度学习方法,用于在复杂系统中准确地分类皮肤癌
Umesh Kumar Lilhore1,2, Yogesh Kumar Sharma3, Sarita Simaiya4,5
1Department of Computer Science and Engineering, School of Computing Science and Engineering, Galgotias University, Greater Noida, 203201, Uttar Pradesh, India.
Scientific reports
|April 28, 2025
概括
一个新的深度学习模型SkinEHDLF显著提高了皮肤癌分类的准确性. 这种先进的AI工具增强了早期检测,为识别皮肤病变提供了更精确,更可靠的解决方案.
科学领域:
- 皮肤病学和人工智能研究
- 医学成像和诊断 医学成像和诊断
背景情况:
- 皮肤癌是全球主要的健康问题,需要准确及时检测.
- 早期和精确的诊断对于有效的皮肤癌治疗和患者的治疗结果至关重要.
研究的目的:
- 推出SkinEHDLF,这是一个创新的深度学习模型,用于增强皮肤癌分类.
- 提高自动化皮肤病变检测的准确性和可靠性.
主要方法:
- 开发了SkinEHDLF,这是一个混合深度学习模型,集成了ConvNeXt,EfficientNetV2和Swin Transformer.
- 实现了基于注意力的自适应性特征融合机制,以优化特征合成.
- 在ISIC 2024数据集 (401,059张皮肤病变图像) 上训练和评估模型.
主要成果:
- 在二进制分类中,SkinEHDLF实现了99.8%的AUROC和98.76%的准确性.
- 在多类分类中,该模型获得了98.6%的准确性,97.9%的精度和97.3%的回忆率.
- 与领先模型相比,显示了7.9%的精度提升和28%的错误阳性减少.
结论:
- 在皮肤癌分类准确性和可靠性方面,SkinEHDLF超越了现有的模型.
- 该模型为自动皮肤癌检测提供了可扩展和精确的解决方案.
- 皮肤EHDLF有可能改变皮肤病诊断.
