通过变化自编码器辅助生成分类器通过皮肤镜检查识别可疑的纳维
Fatima Al Zegair1, Brigid Betz-Stablein2, Monika Janda3
1School of Electrical Engineering and Computer Science, The University of Queensland, Brisbane, QLD, Australia. f.alzegair@uq.edu.au.
Physical and engineering sciences in medicine
|September 17, 2025
概括
研究人员开发了一个生成对抗网络 (GAN),以区分可疑和非可疑的攻击. 这种AI模型准确地识别了皮肤病变的特征,有助于早期检测黑色素瘤.
科学领域:
- 皮肤病学和人工智能研究
- 计算生物学和生物信息学
背景情况:
- 纳维 () 是良性皮肤瘤,由于它们与黑色素瘤风险的联系,需要研究.
- 准确的naevi分类对于早期黑色素瘤检测和患者的治疗结果至关重要.
研究的目的:
- 创建一个视觉多元体,说明可疑和非可疑海域的分布.
- 通过生成式对抗网络 (GAN) 来分类真实naivi并生成现实的合成样本.
- 应用数据驱动的方法来早期检测黑色素瘤,通过识别可疑肌肉的独特特征.
主要方法:
- 使用一个变量自编码器辅助分类器生成对抗网络 (VAE-ACGAN) 进行naevi分类.
- 创建了现实的合成纳维图像,并通过变异变形体解释了它们的分布.
- 将VAE-ACGAN模型的性能与各种深度学习框架进行了比较.
主要成果:
- VAE-ACGAN模型在特异性,灵敏性和AUC得分方面取得了出色的表现,特别是在可疑的海水中.
- 生成的分组清楚地区分了可疑和非可疑的海军类别.
- 这些模型产生了高质量的,真实的naevi表示,优于其他深度学习框架.
结论:
- GAN显示了扩大皮肤学数据集和提高深度学习算法效率的巨大潜力.
- 基于视觉相似性的可解释的聚类可以增强naevi的分类和理解.
- 使用人工智能准确地识别和分类naevi可以促进早期的黑色素瘤检测.
