An Interpretable Deep Learning Approach for Skin Cancer Categorization

要約

皮膚がんは世界的に深刻な健康問題であり、患者の転帰を改善し、効果的な治療を行うためには、正確で早期の検出が不可欠です。
この研究では、最新の深層学習手法と説明可能な人工知能 (XAI) アプローチを使用して、皮膚がん検出の問題に対処します。
皮膚病変を分類するために、XceptionNet、EfficientNetV2S、InceptionResNetV2、および EfficientNetV2M という 4 つの最先端の事前トレーニング済みモデルを採用しています。
画像拡張アプローチは、クラスの不均衡を軽減し、モデルの一般化機能を向上させるために使用されます。
私たちのモデルの意思決定プロセスは、説明可能な人工知能 (XAI) の実装により明確になります。
医療分野では、信頼性を確立し、AI 主導の診断テクノロジーを臨床ワークフローに簡単に導入できるようにするために、解釈可能性が不可欠です。
私たちは、XceptionNet アーキテクチャが最もパフォーマンスの高いモデルであると判断し、88.72% の精度を達成しました。
私たちの研究は、ディープラーニングと説明可能な人工知能 (XAI) がどのように皮膚がんの診断を改善し、医療画像分析の将来の発展の基礎を築くことができるかを示しています。
早期かつ正確な検出を可能にするこれらの技術は、患者ケアを強化し、医療費を削減し、皮膚がん患者の生存率を高める可能性があります。
ソースコード: https://github.com/Faysal-MD/An-Interpretable-Deep-Learning?Approach-for-Skin-Cancer-Categorization-IEEE2023

要約(オリジナル)

Skin cancer is a serious worldwide health issue, precise and early detection is essential for better patient outcomes and effective treatment. In this research, we use modern deep learning methods and explainable artificial intelligence (XAI) approaches to address the problem of skin cancer detection. To categorize skin lesions, we employ four cutting-edge pre-trained models: XceptionNet, EfficientNetV2S, InceptionResNetV2, and EfficientNetV2M. Image augmentation approaches are used to reduce class imbalance and improve the generalization capabilities of our models. Our models decision-making process can be clarified because of the implementation of explainable artificial intelligence (XAI). In the medical field, interpretability is essential to establish credibility and make it easier to implement AI driven diagnostic technologies into clinical workflows. We determined the XceptionNet architecture to be the best performing model, achieving an accuracy of 88.72%. Our study shows how deep learning and explainable artificial intelligence (XAI) can improve skin cancer diagnosis, laying the groundwork for future developments in medical image analysis. These technologies ability to allow for early and accurate detection could enhance patient care, lower healthcare costs, and raise the survival rates for those with skin cancer. Source Code: https://github.com/Faysal-MD/An-Interpretable-Deep-Learning?Approach-for-Skin-Cancer-Categorization-IEEE2023

arxiv情報

提供元, 利用サービス

arxiv.jp, Google