多模式深度学习整体框架用于皮肤癌检测
Mayar Ashraf Saeed1, Yasmine M Afify2, Nagwa Lotfy Badr2
1Bioinformatics, Faculty of Computer and Information Sciences, Ain Shams University, Cairo, 11566, Egypt. mayar_ashraf@cis.asu.edu.eg.
Scientific reports
|December 30, 2025
概括
这项研究通过深度学习和转移学习来增强皮肤癌的检测. 组合模型结合了预训练网络和元数据,实现了高准确度,改善了皮肤病诊断.
科学领域:
- 皮肤病学和医学成像学
- 医疗保健中的人工智能
- 计算病理学计算病理学
背景情况:
- 皮肤癌是一种普遍且可能致命的疾病,需要准确和早期检测.
- 传统的诊断方法可能是有限的,突出需要先进的计算方法.
- 深度学习,特别是卷积神经网络 (CNN),对自动化皮肤癌识别和分类充满希望.
研究的目的:
- 开发和评估一种深度学习模型,用于检测和分类多种类型的皮肤癌.
- 评估转移学习在改善皮肤癌诊断CNN性能方面的有效性.
- 调查整合元数据和组合技术对增强诊断准确性的影响.
主要方法:
- 一个卷积神经网络 (CNN) 模型是利用转移学习与预训练模型 (ResNet50,Xception,MobileNet,EfficientNetB0,DenseNet121) 开发的.
- 用元数据集成和自适应加权合体方法来提高模型性能.
- 合成少数群体过量采样技术 (SMOTE) 用于解决阶级不平衡问题.
主要成果:
- 拟议的整体模型,将ResNet50,Xception和EfficientNetB0与元数据融合在一起,在ISIC 2018数据集上达到93.2%的准确性,在ISIC 2019数据集上达到91.1%的准确性.
- 该模型在外部数据集 (Derm7pt) 上表现出强的性能,准确度为82.5%,表明了良好的概括性.
- 性能指标包括精度,回忆,F1得分和AUC始终超过现有最先进的方法.
结论:
- 转移学习显著提高了CNN在皮肤癌检测和分类方面的性能.
- 元数据和组合技术的整合为诊断准确性提供了实质性的改进.
- 开发的深度学习模型为优化皮肤病诊断和治疗策略提供了一个有前途的工具.
