多类皮肤病变分类和局部化从皮肤镜图像使用一个新的网络级融合深层架构和可解释的人工智能

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
• 医疗保健中的深度学习

背景情况:

• 早期发现皮肤癌对于患者的治疗结果至关重要.
• 计算机辅助诊断 (CAD) 帮助皮肤科医生,但面临复杂的病变数据的挑战.
• 传统的机器学习方法与皮肤镜像的特征工程作斗争.

研究的目的:

• 开发一个深度学习网络级融合架构,以改善皮肤病变的分类和定位.
• 解决皮肤镜图像分析的挑战,包括不规则的形状,类相似性和不平衡.
• 将可解释的AI纳入皮肤癌诊断中的增强模型解释性.

主要方法:

• 使用混合对比增强和数据增强技术.
• 通过使用深度连接,两个深度学习模型在网络层面合并.
• 贝叶斯优化调整了超参数;浅层神经网络执行了最终分类.
• 可解释性AI (LIME) 用于预测解释和病变定位.
• 在HAM10000和ISIC2018数据集上验证了实验.

主要成果:

• 融合架构实现了91.3% (HAM10000) 和90.7% (ISIC2018) 的高分类精度.
• 数据增强显著提高了灵敏度,精度 (高达90.91%),以及F1分数.
• 可解释的AI有效地定位了病变区域,增加了模型的解释性.

结论:

• 网络层面的融合架构与可解释的AI增强了皮肤病变的分类和定位.
• 对比度增强和增强改善了病变的可见性和分类准确性.
• 这种方法对CAD系统具有前景,未来需要对计算资源和培训时间进行工作.