对混合CNN模型的分析,这些模型是通过metaheuristic算法优化为黑色素瘤检测的
Pamela Hermosilla1, Ricardo Soto2, Eric Monfroy3
1Escuela de Ingeniería Informática, Pontificia Universidad Católica de Valparaíso, 2362807, Valparaíso, Chile. pamela.hermosilla@pucv.cl.
Scientific reports
|March 12, 2026
概括
这项研究引入了一种新的框架,使用元启发算法来优化卷积神经网络 (CNN) 架构用于黑色素瘤检测. 这种方法显著提高了皮肤癌识别的诊断准确性.
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:
- 黑色素瘤是一种侵袭性皮肤癌,需要早期检测.
- 卷积神经网络 (CNN) 在医学图像分析中表现有前途,但需要最佳配置.
- 现有的方法往往无法将CNN架构适应特定的医疗数据集.
研究的目的:
- 开发适应性CNN架构设计的混合优化框架.
- 为CNN优化整合六个以自然为灵感的元启发算法.
- 实现数据驱动的网络设计,以改善黑色素瘤检测.
主要方法:
- 集成的CNN与Cuckoo搜索,火虫算法,鱼优化,粒子优化,灰狼优化器和乌搜索.
- 利用元启发学来搜索建筑和培训空间以找到最佳的CNN配置.
- 实施了预处理和数据增强管道,以提高通用化.
主要成果:
- 在HAM10000数据集上,以元启发优化CNN的表现优于基线模型.
- 在黑色素瘤检测方面达到高达91.25%的分类准确度.
- 证明了基于人口的优化在指导CNN架构设计中的有效性.
结论:
- 拟议的框架使新兴的,数据驱动的CNN架构设计成为可能.
- 基于人口的优化是CNN架构开发的高效可靠方法.
- 与传统的手动或优化策略相比,这种方法提供了更高的性能.