侧边坎索线的AI分级:用于看不见的合成图像生成和数据增强的新型模型
Ting-Ting Yang1,2, Ching-Wen Ma3, Chiu-Hsien Lee3
1Graduate Institute of Clinical Medicine, College of Medicine, Kaohsiung Medical University, Kaohsiung, Taiwan.
Clinical, cosmetic and investigational dermatology
|November 26, 2025
概括
一个新的生成人工智能 (AI) 模型为训练创建合成皮肤学图像. 这种人工智能方法显著提高了卷积神经网络 (CNN) 的性能,用于分类横向线.
科学领域:
- 皮肤病学和人工智能研究
- 医学图像生成 医学图像生成
- 医疗保健中的机器学习
背景情况:
- 为了人工智能 (AI) 培训,获得大量,平衡的临床皮肤学照片数据集是具有挑战性的.
- 现有的数据集往往缺乏多样性,这可能限制了皮肤病学中AI模型的概括性.
- 生成型人工智能为增强数据集和解决数据稀缺问题提供了一个有前途的解决方案.
研究的目的:
- 开发一种基于扩散的新型生成AI算法,能够生成具有可调节功能的合成患者照片.
- 创建大型,平衡的数据集用于训练神经网络,特别是用于分类横向线.
- 通过数据增强,提高人工智能模型在皮肤学图像分析中的性能.
主要方法:
- 开发了一个零拍摄和少数拍摄的图像生成模型,将结构化组成标签纳入扩散模型中的控制变量.
- 该模型经过566张横向斜面照片的训练,并根据横向线的严重程度进行了分级.
- 生成的合成图像被用来训练ResNet-34卷积神经网络 (CNN) 用于横向线分级.
主要成果:
- 成功生成了10,500个合成患者图像,具有不同程度的侧边线.
- 用增强数据集训练CNN导致了显著的改进:准确性从82%增加到91%,AUC从0.935提高到0.981.
- 生成模型展示了根据特定任务要求修改图像特征的能力.
结论:
- 构成式的零拍摄和少数拍摄生成模型有效地产生具有可修改特征的现实合成临床照片.
- 这种方法可以创建更大,更平衡的数据集,这对于改善皮肤病学中神经网络培训结果至关重要.
- 局限性包括患者多样性低,需要外部验证,突出未来研究领域.
