对比的自我监督合奏转移学习,用于强大的皮肤癌症分类和早期检测

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算生物学 计算生物学

背景情况:

• 黑色素瘤的检测非常重要,因为它的死亡率很高.
• 深度学习模型需要大量的注释数据,而获得这些数据是昂贵且耗时的.
• 现有的模型在一般化方面扎,并从多种不同的皮肤图像数据集中进行特征学习.

研究的目的:

• 为改进黑色素瘤检测引入一种新的框架,即对比的自我监督集体转移学习 (CSSL-ETL).
• 在皮肤癌深度学习模型中增强特征学习和分类准确性.
• 为了应对医学成像学中有限的注释训练数据的挑战.

主要方法:

• CSSL-ETL框架集成了对比自主监督学习 (CSSL) 用于未标记图像的预训练和集体转移学习 (ETL) 用于特征提取.
• 在ETL组件中使用高级模型,如ConvNeXt-Large,Swin变压器V2和EfficientNetV2.
• 使用Grad-CAM++和贝叶斯不确定性估计来提高模型透明度和临床医生的信任.

主要成果:

• 在ISIC和HAM10000数据集上实现了94.6%的高精度,超过了现有的模型,如ResNet-50.
• 以93.8%的精度和91.5%的回忆率表现出卓越的性能,AUC-ROC为96.1%.
• 结合了临床和热镜图像,提高了诊断能力,并显示了黑色素瘤检测的低错误分类率.

结论:

• 与以前的方法相比,CSSL-ETL显著改善了特征表示,分类能力和泛化.
• 该框架通过可解释性技术提高了模型透明度和临床医生的信心.
• 未来的工作包括开发实时m-health应用程序和数据融合,用于自动检测皮肤癌.