深度学习多模式黑色素瘤检测:算法开发和验证
Nithika Vivek1, Karthik Ramesh2
1Del Norte High School, 16601 Nighthawk Ln, San Diego, CA, 92127, United States, 1 619 458 5059.
JMIR AI
|August 13, 2025
概括
一个新的深度学习模型使用图像和患者数据准确地区分黑色素瘤和斑疹性角质炎. 这种方法旨在减少误诊并改善黑色素瘤的早期检测,特别是在脆弱人群中.
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:
- 黑色素瘤和红斑性角质有着共同的视觉相似之处,使患者的自我诊断变得复杂,特别是残疾老年人.
- 由于视觉混乱而延迟诊断有助于黑色素瘤转移.
研究的目的:
- 开发一种新的多式联络深度学习技术,以区分黑色素瘤和斑疹性角质炎.
- 提高诊断准确度,减少对潜在的癌症病变寻求医疗护理的延迟.
主要方法:
- 通过转移学习使用患者图像数据训练和评估多个深度学习模型 (ResNet50,InceptionV3,VGG16,定制模型).
- 开发了一个单独的深度学习模型,利用患者元数据.
- 结合图像和元数据模型,使用非线性最小平方回归进行最佳加权和预测.
主要成果:
- 在使用组合模型对HAM10000数据集实现了88%的准确性.
- 元数据集成显著降低了虚假阴性和虚假阳性率.
- 激活地图可视化通过将诊断模式与皮肤科医生的评估进行比较,证实了模型的可靠性.
结论:
- 多式联络深度学习方法对精确的黑色素瘤和红斑性角质瘤差异化有希望.
- 整合患者元数据对于提高诊断性能至关重要.
- 未来的应用可能包括一个移动应用程序,以促进早期发现黑色素瘤并减少诊断延迟.
