一个教育机器学习示范框架,用于使用开放数据集的整形外科医生
Kian Daneshi1, Yasona Neocleous2, Abigail G-Medhin3
1School of Population Health and Medicine, University of Sheffield, Sheffield, UK; Department of Bioengineering, Imperial College London, London, UK.
Journal of plastic, reconstructive & aesthetic surgery : JPRAS
|February 28, 2026
概括
现在,整形外科医生可以使用开放数据集和机器学习来构建和部署用于黑色素瘤检测的AI工具. 这个框架,DermAI-Melanoma,赋予临床医生实用的数据科学技能,以提高诊断能力.
科学领域:
- 皮肤病学和整形外科
- 人工智能的人工智能
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 在皮肤病学和整形外科的数据科学有限的实践参与.
- 开放数据集使临床医生能够在没有专门基础设施的情况下探索机器学习.
- 皮肤AI-黑色素瘤是一个开放的数据演示框架,用于使用黑色素瘤分类的整形外科医生.
研究的目的:
- 展示可重现的训练和深度学习模型的部署,用于黑色素瘤分类.
- 为整形外科医生提供一个教学案例研究,以参与数据科学.
- 展示公共数据集的使用,以在外科手术中开发AI.
主要方法:
- 使用了SIIM-ISIC 2020黑色素瘤数据集,并对患者进行了分层,以防止数据泄露.
- 应用图像预处理,包括大小调整,色彩平衡和增强.
- 训练了两个卷积神经网络:EfficientNet-B3和MobileNetV3-Small,并通过TensorFlow.js.js部署它们.
主要成果:
- EfficientNet-B3的测试准确率达到了97%,检测到92%的黑色素瘤.
- 移动网络V3-小实现了94%的准确性,存储<5MB和智能手机部署<2s.
- 模型的性能与黑色素瘤检测文献中的皮肤科医生基准值相提并论.
结论:
- 皮肤AI-黑色素瘤使整形外科医生能够使用开放数据构建透明,可部署的AI工具.
- 类似的框架可以促进整形外科的教育,研究和创新.
- 拥抱开放的数据共享和跨学科合作对于在外科手术中推进人工智能至关重要.