注意力增强的CNN和变压器用于准确检测和皮肤疾病

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:

• 猿是一种全球性的健康问题,需要准确的诊断.
• 像PCR这样的传统方法并不总是可以获得的.
• 目前的AI模型在特征提取和皮肤病变分类的准确性方面存在局限性.

研究的目的:

• 开发一种注意力增强的深度学习架构,用于增强和皮肤病症分类.
• 为了提高特征提取和分类准确度,使用EfficientNetB7与协调注意.

主要方法:

• 使用了麻疹皮肤损伤数据集 (MSLD v2.0).
• 应用图像预处理 (规范化,缩放,增大) 和边缘检测技术.
• 实施了五倍交叉验证策略,并与多个基线模型 (Xception,Swin Transformer,ResNet-50,MobileNetV2,EfficientNet) 进行了比较.

主要成果:

• 实现了卓越的性能指标:准确率为99.99%,精度为99.8%,回忆率为99.9%,F1得分为99.85%,AUC为100%.
• 与之前的研究相比,表现优越 (最大准确率为98.81%).
• 显著减少了虚假负数和改进了模型概括.

结论:

• 通过注意力增强的深度学习模型为基于人工智能的水检测设定了新的标准.
• 人工智能工具显示出高精度和弹性,适合临床和远程医疗设置.
• 赞成将人工智能诊断整合到立即实施和流行病学监测中.