可解释的深度学习用于使用swish激活卷积网络检测皮肤癌症.
Subhayan Mukherjee1, Khushbu Chandrakar2, Subrata Chowdhury3
1Department of Artificial Intelligence & Machine Learning, Asansol Engineering College, Asansol, India.
Discover oncology
|January 10, 2026
概括
这项研究引入了深层卷积神经网络 (DCNN) 进行精确的皮肤癌诊断,达到超过98%的准确性. 可解释性AI (XAI) 确保了透明度,帮助医生在早期和精确检测皮肤病变.
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:
- 由于复杂的视觉模式和主观的手动检查,皮肤癌的诊断面临着挑战.
- 传统的方法耗时,容易误解,并产生高错误阳性率.
研究的目的:
- 开发一种新的深度卷积神经网络 (DCNN) 架构,用于准确和可解释的皮肤癌诊断.
- 整合可解释的人工智能 (XAI) 技术,以提高临床决策的透明度和可靠性.
主要方法:
- 使用Swish激活函数开发了一个独特的DCNN架构,用于分析皮肤病变数据集.
- 用多种局部和全球可解释的人工智能 (XAI) 方法来评估模型预测.
主要成果:
- 该DCNN模型实现了高性能指标:98.31%的准确性,98.12%的精度,98.01%的回忆和98.09%的F1-score.
- XAI方法为医疗从业者提供了一个可理解的框架来评估模型的推理.
结论:
- 深度学习与XAI的整合为早期和精确的皮肤癌识别提供了可靠的机制.
- 该研究强调了人工智能驱动医学诊断的透明度和可靠性的重要性,以弥合研究和医疗保健应用之间的差距.
更多相关视频
09:37Combining Reflectance Confocal Microscopy with Optical Coherence Tomography for Noninvasive Diagnosis of Skin Cancers via Image Acquisition
Published on: August 18, 2022
2.8K
03:31Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
Published on: December 15, 2023
1.0K
