一个可解释的混合深度学习框架,用于精确的皮肤病变细分和多类分类.
Muhammad Fiaz1,2, Muhammad Bilal Shoaib Khan1, Abdul Hannan Khan1
1Department of Computer Science, Green International University, Lahore, Pakistan.
Frontiers in medicine
|October 29, 2025
概括
本研究引入了一种混合深度学习模型,用于从皮肤镜图像中对皮肤病变进行细分和分类. 人工智能工具实现了高精度,帮助皮肤科医生诊断皮肤疾病.
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:
- 皮肤疾病的诊断是具有挑战性的,因为视觉复杂性和主观的手动检查.
- 像黑色素瘤这样的恶性瘤需要准确和及时的诊断.
- 深度学习为客观和准确的皮肤病变分析提供了潜力.
研究的目的:
- 开发一种混合深度学习框架,同时对皮肤病变进行细分和多类分类.
- 使用可解释AI (XAI) 增强模型解释性和临床信任.
- 用皮肤镜图像来提高各种皮肤病的诊断准确度.
主要方法:
- 开发了一个双任务架构,将U-Net用于细分和EfficientNet-B0用于分类.
- 梯度加权类激活映射 (Grad-CAM) 为模型的可解释性而集成.
- 该模型在HAM10000数据集上进行了训练和验证.
主要成果:
- 该模型在细分方面实现了0.85以上的Dice系数.
- 分类准确度达到了大约85%,显示出强大的性能.
- 在各种皮肤病变类型中获得了可靠的结果,尽管存在阶级不平衡.
结论:
- 混合深度学习模型显示了对准确的皮肤病变细分和分类的重大前景.
- 可解释性AI (XAI) 集成提高了透明度,这对于临床采用至关重要.
- 这种方法可以通过提高诊断效率和准确性来支持皮肤科医生,特别是在资源有限的环境中.
