面向皮肤癌分类的不确定性感知深度学习四步法
计算机视觉与模式识别
2025-09-25 v2 人工智能
摘要
准确的皮肤癌诊断对早期治疗和改善患者预后至关重要。深度学习（DL）模型在自动化皮肤癌分类方面已显示出前景，但由于数据稀缺和有限的不确定性感知，仍存在挑战。本研究对基于深度学习的皮肤病变分类进行了全面评估，包括在 HAM10000 数据集上的迁移学习和不确定性量化（UQ）。我们基准测试了多个预训练特征提取器——包括 CLIP 变体、ResNet50、DenseNet121、VGG16 和 EfficientNet-V2-Large——并结合传统分类器如 SVM、XGBoost 和逻辑回归。探索了多种主成分分析（PCA）设置（64、128、256、512），其中 LAION CLIP ViT-H/14 和 ViT-L/14 在 PCA-256 下取得了最强的基线结果。在 UQ 阶段，应用并评估了蒙特卡洛 Dropout（MCD）、集成方法和集成蒙特卡洛 Dropout（EMCD），使用不确定性感知指标（UAcc、USen、USpe、UPre）。PCA-256 下的集成方法在准确性和可靠性之间提供了最佳平衡。通过在 PCA-256 下融合表现最佳提取器的特征，进一步提升了性能。最后，我们提出了一种基于特征融合的模型，使用预测熵（PE）损失函数进行训练，该模型在所有先前配置上均表现更优，涵盖了标准评估和不确定性感知评估两个方面，推进了可信赖的基于深度学习的皮肤癌诊断。
引用
@article{arxiv.2506.10302,
title = {A Quad-Step Approach to Uncertainty-Aware Deep Learning for Skin Cancer Classification},
author = {Hamzeh Asgharnezhad and Pegah Tabarisaadi and Abbas Khosravi and Roohallah Alizadehsani and U. Rajendra Acharya},
journal= {arXiv preprint arXiv:2506.10302},
year = {2025}
}