使用混合LSTM-CNN模型进行增强的黑色素瘤和非黑色素瘤皮肤癌分类
Sara M M Abohashish1, Hanan H Amin2, E I Elsedimy3,4
1Department of Information Technology Management, Faculty of Management Technology and Information Systems, Port Said University, Port Said, Egypt. sara_mohamed@himc.psu.edu.eg.
Scientific reports
|July 10, 2025
概括
这项研究引入了一种新的AI方法,使用卷积神经网络 (CNN) 和长短期记忆 (LSTM) 网络来准确检测黑色素瘤. 这种方法提高了早期皮肤癌诊断,提高了患者的生存率.
科学领域:
- 皮肤病学 皮肤病学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 黑色素瘤是最致命的皮肤癌,需要早期检测以改善患者的治疗结果.
- 目前的诊断方法可以通过先进的计算方法来改进.
- 准确识别皮肤病变对于及时治疗至关重要.
研究的目的:
- 开发和评估一种新的深度学习模型,用于自动识别皮肤病变.
- 通过人工智能提高黑色素瘤诊断的准确性和效率.
- 为了利用CNN和LSTM的优势,进行强大的皮肤病变分类.
主要方法:
- 开发了一个混合模型,集成卷积神经网络 (CNN) 和长短期记忆 (LSTM) 网络.
- 皮肤病变图像被处理成序列的补丁,由LSTM进行分析.
- CNN层从图像补丁中提取空间特征,然后用LSTM进行时间依赖分析.
- 一个Softmax层进行了皮肤病变的最终分类.
主要成果:
- 拟议的CNN-LSTM模型在HAM10000数据集上表现出卓越的性能.
- 该方法在分类皮肤病变方面实现了高准确度,回忆,精度和F1分数.
- 与现有方法相比,ROC曲线分析证实了该模型的有效性.
结论:
- 新的CNN-LSTM方法为自动化皮肤病变识别和黑色素瘤诊断提供了一个有前途的工具.
- 整合CNN和LSTM有效地捕捉空间和时间特征,以改善分类.
- 这种人工智能驱动的方法有可能提高黑色素瘤病例的早期检测率和患者存活率.
