abordagens de aprendizado de máquina para diagnóstico de neoplasia cutânea

Abordagens para diagnóstico de neoplasia cutânea incluem exame físico, biópsia de pele, testes laboratoriais de amostras de biópsia e análises de imagens. Esses métodos frequentemente envolvem processos propensos a erros e demorados. Estudos recentes mostram que o aprendizado de máquina tem potencial para classificar eficazmente imagens de pele em diferentes classes, como melanoma e nevos melanocíticos. Neste trabalho, investigamos abordagens de aprendizado de máquina para melhorar o desempenho dos sistemas de diagnóstico auxiliado por computador (CADx) para diagnosticar doenças de pele. No sistema CADx proposto, uma rede adversarial generativa (GAN) é utilizada para identificar (e remover) imagens falsas. A análise exploratória de dados (EDA) é aplicada para normalizar o conjunto de dados original e prevenir o overfitting do modelo. A técnica de sobreamostragem de minoria sintética (SMOTE) é empregada para corrigir desequilíbrios de classe no conjunto de dados original. Para classificar com precisão as imagens de pele, os seguintes quatro modelos de aprendizado de máquina são utilizados: análise discriminante linear (LDA), máquina de vetor de suporte (SVM), rede neural convolucional (CNN) e um ensemble CNN-SVM. Resultados experimentais utilizando o conjunto de dados HAM10000 demonstram a capacidade dos modelos de aprendizado de máquina de melhorar o desempenho do CADx no tratamento de neoplasias cutâneas. Inicialmente, a LDA, SVM, CNN e ensemble CNN-SVM mostram 49%, 72%, 77% e 79% de precisão, respectivamente. Após a aplicação de GAN, EDA e SMOTE, a LDA, SVM, CNN e ensemble CNN-SVM mostram 76%, 83%, 87% e 94% de precisão, respectivamente. Planejamos explorar outros modelos de aprendizado de máquina e conjuntos de dados em nossa próxima empreitada.