Enhancing Skin Lesion Diagnosis with Ensemble Learning

要約

皮膚病変はますます重要な医学的関心事となっており、その重症度は良性から癌性まで多岐にわたります。
タイムリーかつ適切な治療を確実に行うためには、正確な診断が不可欠です。
この研究では、7 つの異なるタイプの病変が含まれる HAM10000 データセットを使用して、皮膚病変の診断を支援する深層学習手法の実装を検証します。
まず、MobileNetV2、ResNet18、VGG11 の 3 つの事前トレーニング済みモデルを評価し、それぞれ 0.798、0.802、0.805 の精度を達成しました。
分類精度をさらに高めるために、最大投票、平均投票、およびスタッキングを採用したアンサンブル モデルを開発し、その結果、精度は 0.803、0.82、0.83 となりました。
最もパフォーマンスの高いアンサンブル学習モデルであるスタッキングを基に、カスタマイズされたアーキテクチャと微調整を組み込んだ提案モデル SkinNet を開発し、精度 0.867 と AUC 0.96 を達成しました。
個々のモデルに対するこの大幅な改善は、皮膚病変分類の改善におけるアンサンブル学習の有効性を示しています。

要約(オリジナル)

Skin lesions are an increasingly significant medical concern, varying widely in severity from benign to cancerous. Accurate diagnosis is essential for ensuring timely and appropriate treatment. This study examines the implementation of deep learning methods to assist in the diagnosis of skin lesions using the HAM10000 dataset, which contains seven distinct types of lesions. First, we evaluated three pre-trained models: MobileNetV2, ResNet18, and VGG11, achieving accuracies of 0.798, 0.802, and 0.805, respectively. To further enhance classification accuracy, we developed ensemble models employing max voting, average voting, and stacking, resulting in accuracies of 0.803, 0.82, and 0.83. Building on the best-performing ensemble learning model, stacking, we developed our proposed model, SkinNet, which incorporates a customized architecture and fine-tuning, achieving an accuracy of 0.867 and an AUC of 0.96. This substantial improvement over individual models demonstrates the effectiveness of ensemble learning in improving skin lesion classification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google