在临床和皮肤学数据集中设计出巧妙的皮肤损伤分类模型

科学领域:

• 人工智能
• 医学成像
• 皮肤病学

背景情况:

• 由于视觉损伤的相似性和有限的数据集, 皮肤癌的诊断具有挑战性.
• 准确和早期发现皮肤癌对于患者的结果至关重要.
• 现有的诊断工具在处理各种图像模式方面存在局限性.

研究的目的:

• 开发一个强大的深度学习模型来从临床和皮肤镜像中分类皮肤病变.
• 解决特征提取,全球背景融合和皮肤病变分类数据不平衡的挑战.
• 提高皮肤癌自动诊断的准确性和可靠性.

主要方法:

• 介绍HybridSkinFormer,这是一个两阶段的深度学习架构.
• 使用多层卷积神经网络 (ConvNet) 来进行本地特征提取.
• 采用剩余可学习的多头注意力模块进行全球背景融合.
• 整合了一个新的StarPRelu激活功能和增强的焦点损失 (EFLoss).

主要成果:

• 在9个类别的37,483张混合数据集上,HybridSkinFormer实现了最先进的性能.
• 总体准确率为94.2%,宏观精度为91.1%,宏观回忆率为91.0%.
• 超越了9个基线卷积神经网络 (CNN) 和视觉转换器 (ViT) 模型.

结论:

• HybridSkinFormer有效地根据多模式数据对皮肤病变进行分类.
• 该模型的新型组件解决了医学成像深度学习的关键挑战.
• 它的性能突出显示了其在早期皮肤癌检测方面的显著临床实用性,尤其是在资源有限的环境中.