Einfluss der Feinabstimmung von Parametern eines Convolutional Neural Network zur Hautkrebsdiagnose

Das Melanom ist eine tödliche Hautkrankheit mit einer hohen Sterblichkeitsrate. Eine schnelle Diagnose kann bei der Behandlung der Krankheit helfen und potenziell das Leben des Patienten retten. Methoden der künstlichen Intelligenz können helfen, Krebs in rasanter Geschwindigkeit zu diagnostizieren. In der Literatur wurden zahlreiche Machine Learning (ML) und Deep Learning (DL) Algorithmen eingesetzt, um Hautkrebs zu erkennen. ML-Algorithmen sind bei kleinen Datensätzen leistungsfähig, können jedoch größere nicht erfassen. Im Gegensatz dazu zeigen DL-Algorithmen eine starke Leistung bei großen Datensätzen, klassifizieren jedoch falsch, wenn sie auf kleinere angewendet werden. Wir führen umfassende Experimente mit einem Convolutional Neural Network (CNN) durch und variieren die Parameterwerte, um zu bestimmen, welche Werte die beste Leistungskennzahl liefern. Wir haben entdeckt, dass das Hinzufügen von Schichten, das Erstellen jedes Conv2D-Layers mit mehreren Filtern und das Entfernen von Dropout-Schichten die Genauigkeit der Klassifizierer erheblich verbessert, von 62,5 % auf 85 %. Wir haben auch die Parameter diskutiert, die das Potenzial haben, die Leistung des Modells signifikant zu beeinflussen. Dies zeigt, wie leistungsstark die Feinabstimmung der Parameter eines auf CNN basierenden Modells ist. Diese Ergebnisse können Forschern helfen, ihre auf CNN basierenden Modelle für die Verwendung mit Hautkrebsbilddatensätzen zu verfeinern.