一个新的基于深度语义和视觉的自我注意体系结构,用于皮肤癌分类
Junaid Aftab1, Muhammad Attique Khan2, Sobia Arshad1
1Department of Computer Engineering, HITEC University, Taxila, Pakistan.
Digital health
|March 6, 2026
概括
这项研究引入了一个深度学习和可解释的人工智能 (XAI) 系统,用于准确地诊断皮肤癌. 计算机辅助诊断系统在病变细分和分类方面实现了高准确度,帮助医生在早期检测.
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:
- 皮肤癌对全球健康构成重大挑战,早期诊断对于改善患者的治疗结果至关重要.
- 当前的诊断方法可能很复杂,导致潜在的不准确性和需要加强决策支持.
- 计算机辅助诊断系统提供了一个有前途的方法来帮助临床医生准确检测皮肤癌.
研究的目的:
- 开发一种利用深度学习和可解释的人工智能 (XAI) 的计算机辅助诊断系统,以改进皮肤癌检测.
- 为医生提供可靠的第二意见,提高皮肤癌诊断和预测的准确性.
- 利用XAI技术来解释医学应用中的深度学习模型的"黑子"性质.
主要方法:
- 提出了一个由两个模块组成的深度学习架构,包括皮肤病变细分和病变类型分类.
- 通过贝叶斯优化优化ResNet-18骨干的DeepLab V3被用于语义细分.
- 一个新的FusedNet架构,反向自我注意与视觉变压器 (ISAwViT),被设计用于特征提取和分类.
主要成果:
- 在HAM10000数据集上进行了实验.
- 拟议的模型在损伤细分方面实现了95.16%的准确性.
- 该模型在病变分类方面显示了97.5%的准确性.
结论:
- 与现有技术相比,开发的深度学习和XAI模型是有效和高效的.
- 使用可解释的AI方法 (LIME,Grad-CAM) 来解释模型决策,确保透明度.
- 该系统显示出作为一个有价值的工具来帮助医生准确和及时诊断皮肤癌的潜力.
