物联网驱动的皮肤癌检测:积极学习和超参数优化以提高准确性
IEEE journal of biomedical and health informatics
|June 10, 2025
概括
这项研究引入了一个先进的积极学习框架,使用深度强化学习来有效检测皮肤癌. 这种新的方法提高了诊断准确度,同时最大限度地减少了对大型标记数据集的需求.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 计算生物学 计算生物学
背景情况:
- 皮肤癌的诊断是具有挑战性的,因为病变的变化.
- 深度学习 (DL) 有助于自动诊断,但需要大量的标记数据.
- 物联网 (IoT) 能够实现实时的医疗数据交换.
研究的目的:
- 开发一个创新的积极学习 (AL) 框架,以改善皮肤癌检测.
- 为深度学习模型减少对大型标记数据集的依赖.
- 提高早期皮肤癌诊断的效率和准确性.
主要方法:
- 实施了深度强化学习 (DRL) 战略,用于积极学习中的动态样本选择.
- 引入了一个新的范围损失函数,以平衡数据利用和探索.
- 利用一个增强的人工蜂群 (ABC) 算法来进行超参数优化.
主要成果:
- 在基准数据集上实现了高准确性:92.791%的F测量在ISIC上和91.984%的HAM10000.
- 证明了该框架在优化使用更少标记数据进行分类方面的有效性.
- 展示了DRL驱动的样本选择和范围损失函数的好处.
结论:
- 拟议的AL框架显著提高了早期皮肤癌检测能力.
- 这种方法为医疗保健专业人员在诊断皮肤病变方面提供了可靠和有效的工具.
- 整合DRL和新的损失功能为医学图像分析提供了一个有前途的方向.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.7K
09:37Combining Reflectance Confocal Microscopy with Optical Coherence Tomography for Noninvasive Diagnosis of Skin Cancers via Image Acquisition
Published on: August 18, 2022
2.2K
