EnsembleSkinNet:一个基于转移学习的框架,用于高效地检测皮肤癌,并可解释AI集成.
Srilakshmi Cherukuri1, Srisailapu D Vara Prasad1
1Department of Computer Science and Engineering, GITAM Deemed to be University, Hyderabad, India.
Frontiers in oncology
|December 31, 2025
概括
EnsembleSkinNet是一个可解释的AI框架,通过融合多个深度学习模型来增强皮肤癌诊断. 这种方法提高了准确性和可靠性,导致早期检测和皮肤病变的更好的临床结果.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 计算生物学 计算生物学
背景情况:
- 皮肤癌是一种普遍和危险的疾病,早期诊断对于有效治疗至关重要.
- 深度学习,特别是卷积神经网络 (CNN),在人工智能驱动的皮肤病变分类方面显示出希望.
- 单个CNN模型的局限性包括由于病变外观和图像质量的变化而减少了概括性.
研究的目的:
- 开发一个可解释的集体深度学习框架,用于强大的皮肤图像分类.
- 提高人工智能模型在诊断皮肤病变方面的可靠性和概括能力.
- 提高早期检测率和对基于AI的皮肤癌诊断的临床信心.
主要方法:
- EnsembleSkinNet框架使用预先训练有素的CNN (M-VGG16,ResNet50,Inception V3,DenseNet201) 的软最大加权频谱融合.
- 使用转移学习,微调和贝叶斯超参数优化来提高分类性能.
- 通过对HAM10000数据集的五倍交叉验证和对ISIC 2020数据集的外部验证进行评估.
主要成果:
- 在HAM10000数据集上实现了高精度 (98.32%),精度,回忆和F1得分都很好.
- 在ISIC 2020数据集上表现出强大的跨领域概括,准确率为96.84%,AUC为0.983.
- 格拉德-CAM可解释性分析显示,93.6%的人同意皮肤病学家的注释,这表明临床相关性.
结论:
- EnsembleSkinNet为基于AI的皮肤癌诊断提供了一个可复制,可解释和临床适用的框架.
- 整体方法提高了稳健性和可靠性,减少了诸如黑色素瘤之类的关键性皮肤癌的假阴性.
- 这种人工智能框架可以提高早期检测率,并提高临床环境中的诊断信心.
