使用基因病理遗传和视觉特征提取进行皮肤癌分类的双流深度学习框架
1Department of Computer Science and Informatics, Applied College, Taibah University, Madinah, 41461, Saudi Arabia. smoutiri@taibahu.edu.sa.
Scientific reports
|September 2, 2025
概括
这项研究引入了一种用于改善皮肤癌诊断的双流深度学习框架. 人工智能模型通过结合组织病理和视觉数据准确地识别皮肤病变,提高早期检测和患者的结果.
科学领域:
- 皮肤病学与人工智能
- 计算病理学
- 医学图像分析
背景情况:
- 皮肤癌,尤其是黑色素瘤,
- 目前的诊断方法在准确性,客观性和资源可用性方面存在局限性.
- 早期检测对于有效治疗黑色素瘤和改善患者存活率至关重要.
研究的目的:
- 开发和评估一个新的双流深度学习框架,以准确有效地诊断皮肤病变.
- 整合基因病理遗传和视觉特征进行全面的病变分析.
- 克服皮肤癌检测传统诊断方法的局限性.
主要方法:
- 一个使用U-Net进行细分的双流深度学习框架.
- 通过Virchow2 (组织病理嵌入) 和Nomic (基于视觉的特征) 提取特征.
- 在HAM10000数据集上使用多层感知子 (MLP) 进行特征的融合,然后进行分类.
主要成果:
- 在10个试验中获得了96. 25%的平均准确率和93. 79%的平均F1得分.
- 除研究证实了两种特征流的关键贡献.
- 与现有的单一模式方法相比,拟议的框架显示出更高的性能.
结论:
- 双流深度学习框架为皮肤癌诊断提供了强大且可解释的解决方案.
- 这种方法有可能显著提高早期和准确的皮肤病变检测的临床应用.
- 这项研究强调了结合多种特征提取方法以提高诊断准确性的有效性.
