使用可穿戴传感器进行皮肤疾病本地化和分类的混合深度学习框架

科学领域:

• 皮肤病学 皮肤病学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 准确的皮肤疾病检测对于有效的患者治疗至关重要.
• 现有的方法可能缺乏可解释性,并与多式联运数据集成作斗争.

研究的目的:

• 为皮肤疾病检测开发基于补丁的,可解释的深度学习框架.
• 将可穿戴传感器数据与临床信息集成,以提高诊断准确度.

主要方法:

• 使用全卷积残余神经网络 (FCRN) 来从高分辨率皮肤图像中提取特征.
• 实施数据标准化的预处理技术.
• 采用卷积神经网络 (CNN) 来实现图像和临床数据的多式融合.
• 生成可解释的疾病概率图.

主要成果:

• 该框架在准确性,灵敏性和特异性等关键指标上实现了最先进的性能.
• 可解释的疾病概率图有效地突出了受影响的皮肤区域.
• 通过多式联运数据集成,证明了更好的分类性能.

结论:

• 拟议的框架为皮肤疾病检测提供了一种高效,可扩展和可解释的方法.
• 将可穿戴传感器技术与深度学习相结合,显示出临床应用的巨大潜力.
• 该模型的可解释性提高了透明度和临床实用性.