Podejście oparte na głębokim uczeniu do automatycznego wykrywania raka skóry z analizą porównawczą różnych wielkości partii w klasyfikacji obrazów dermatologicznych

Rak skóry stanowi istotny problem zdrowia publicznego, a dokładne i wydajne metody diagnostyczne są niezbędne, aby zmniejszyć opóźnienia i błędy związane z tradycyjnym badaniem przesiewowym, które często charakteryzuje się subiektywnością i zmiennością. Celem tego badania jest opracowanie niezawodnego, zautomatyzowanego systemu wykrywania raka skóry, który może poprawić dokładność diagnostyczną i zmniejszyć liczbę wyników fałszywie ujemnych. Wdrożyliśmy zautomatyzowane ramy klasyfikacji oparte na architekturze głębokiego uczenia Xception. System wykorzystał wstępnie wytrenowane wagi ImageNet do uczenia przez transfer, co umożliwiło skuteczne wydobywanie cech z obrazów dermoskopowych. Warstwy splotowe zostały użyte do wychwytywania cech dyskryminacyjnych, które następnie połączono z warstwami w pełni połączonymi, aby przeprowadzić binarną klasyfikację raka skóry versus brak raka skóry. Proponowany model osiągnął całkowitą dokładność na poziomie 99,34%, z precyzją 98,51%, czułością 98,80%, specyficznością 99,52% oraz wskaźnikiem F1 wynoszącym 98,63% przy wielkości partii 64. Wyniki te wykazują wyższą skuteczność w wykrywaniu wczesnym w porównaniu z tradycyjnymi metodami diagnostycznymi. Automatyczny system oparty na Xception oferuje wysoce dokładne, niezawodne i skalowalne rozwiązanie do wykrywania raka skóry. Dzięki potencjalnej integracji w klinikach dermatologicznych i platformach telemedycznych, model może pomagać lekarzom w uzyskiwaniu wcześniejszych i bardziej wiarygodnych diagnoz, co ostatecznie poprawia wyniki leczenia pacjentów.