提高皮肤病变分类:CNN的方法与人类基线比较
Deep Ajabani1, Zaffar Ahmed Shaikh2,3, Amr Yousef4,5
1Source InfoTech Inc., Loganville, Georgia, United States.
PeerJ. Computer science
|June 26, 2025
概括
这项研究引入了一种人工智能-人类混合方法来诊断皮肤癌,将人工智能预测与专家审查相结合,以提高医学图像分析的准确性和效率.
科学领域:
- 皮肤病学 皮肤病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 正确诊断恶性皮肤病变对于有效治疗至关重要.
- 医学图像分析中的变量可能会影响诊断的准确性.
- 整合人工智能与人类专业知识提供了潜在的改进.
研究的目的:
- 开发和评估一种增强的混合方法来诊断恶性皮肤病变.
- 通过将卷积神经网络 (CNN) 预测与选择性人类干预相结合,提高诊断准确性.
- 与独立方法相比,评估混合方法的性能和资源效率.
主要方法:
- 一个基于EfficientNetB3的CNN接受了ISIC-2019和ISIC-2020数据集的培训.
- 实施了混合方法,使用高可信度CNN预测和低可信度预测的专家人类评估.
- 通过使用ROC曲线,AUC和对人力资源成本的分析,对150张图像测试集的性能进行了评估.
主要成果:
- 基线CNN实现了0.822.2的曲线下的面积 (AUC).
- 增强混合方法提高了真实阳性率至0.782,并将虚假阳性率降低到0.182.
- 混合方法在最小的人力参与下表现出更好的诊断性能,并分析了人力资源成本.
结论:
- 增强型混合方法有效地结合了CNN和人类专业知识,以改善皮肤病变诊断.
- 这种方法为医疗图像分析提供了可扩展和资源高效的解决方案.
- 这些发现突出了人工智能和皮肤病诊断专家临床医生的互补优势.
