Framework di Deep Learning Ensemble Consapevole dell'Incertezza Raggiunge il 96% di Accuratezza nella Classificazione delle Lesioni Cutanee
Un nuovo approccio di deep learning per la classificazione di lesioni cutanee multi-classe integra un vision transformer (MaxViT-Tiny) con architetture CNN (ConvNeXt-Tiny e EfficientNetV2-B0) attraverso tecniche di deep ensemble learning. Utilizza il Monte Carlo Dropout per stimare l'incertezza predittiva e Grad-CAM++ per fornire interpretazioni visive. Testato sul dataset HAM10000, il framework raggiunge un'impressionante accuratezza del 96% e un ROC-AUC del 99% con filtraggio consapevole dell'incertezza (entropia < 1.0, confidenza >= 0.7), insieme a punteggi macro-average del 94% per la precisione, 95% per il recall e 94% per l'F1. Questo studio, pubblicato su arXiv (ID: 2608.11280), mira a migliorare l'affidabilità e la trasparenza nel processo decisionale clinico nella dermatologia assistita dall'IA, evidenziando l'importanza della quantificazione dell'incertezza e della spiegabilità. È necessaria un'ulteriore validazione su diversi dataset.
Fatti principali
- Il framework combina MaxViT-Tiny, ConvNeXt-Tiny e EfficientNetV2-B0 tramite deep ensemble learning
- Il Monte Carlo Dropout stima l'incertezza predittiva
- Grad-CAM++ fornisce spiegazioni visive
- Valutato sul dataset HAM10000
- Raggiunge il 96% di accuratezza e il 99% di ROC-AUC con filtraggio consapevole dell'incertezza
- La precisione macro-media, il recall e l'F1-score sono rispettivamente del 94%, 95% e 94%
- Affronta la variabilità intra-classe, la somiglianza inter-classe, lo squilibrio di classe e l'interpretabilità
- Annunciato su arXiv con ID 2608.11280
Entità
—