一个可解释和联合的深度学习框架用于皮肤癌诊断
Shuvo Biswas1,2, Sajeeb Saha1, Muhammad Shahin Uddin1
1Department of Information and Communication Technology, Mawlana Bhashani Science and Technology University, Tangail, Bangladesh.
PloS one
|July 16, 2025
概括
本研究引入了使用深度学习 (DL) 和联合学习 (FL) 进行皮肤癌 (SC) 分类的智能框架. 该框架在保持患者数据隐私的同时实现了高准确性,提供了可靠的诊断工具.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 计算瘤学是一种计算瘤学.
背景情况:
- 皮肤癌 (SC) 是普遍存在的全球健康问题,需要早期检测才能有效治疗.
- 保护患者数据隐私在医学研究中至关重要,这给开发人工智能驱动的诊断工具带来了挑战.
- 当前的诊断方法可能缺乏广泛临床采用所需的准确性和隐私保护措施.
研究的目的:
- 开发和评估一种新的皮肤癌分类框架,该框架将深度学习 (DL),联合学习 (FL) 和可解释AI (XAI) 整合在一起.
- 通过使用基准数据集来评估先进DL算法的皮肤癌分类性能.
- 在拟议的SC诊断框架中确保患者数据隐私和模型可解释性.
主要方法:
- 数据预处理涉及对ISBI2016和ISBI2017数据集进行大小调整,规范化,平衡和增强.
- 六个DL算法 (VGG16,Xception,DenseNet169,InceptionV3,MobileViT,InceptionResNetV2) 用于初始分类,这些算法被使用了.
- 实施了联合学习 (FL) 来训练模型,同时保持数据隐私,并使用本地可解释模型-不可知解释 (LIME) 来实现模型的可解释性.
主要成果:
- 在初始测试中,DenseNet169取得了最高的准确性 (83.3%在ISBI2016上,92.67%在ISBI2017上).
- 在FL平台中,VGG16表现出卓越的性能 (ISBI2016的准确率为92.08%,ISBI2017的准确率为94%).
- XAI技术 (LIME) 成功为模型预测提供了解释,提高了透明度.
结论:
- 拟议的框架有效地使用DL和FL对皮肤癌进行分类,实现高精度.
- 联合学习在分类过程中确保了强大的患者数据隐私.
- 集成XAI提高了AI驱动的SC诊断工具的可信度和临床适用性.
