基于集成深度学习和LLM辅助报告的皮肤皮捣诊断自动化
计算机视觉与模式识别
2025-10-09 v1 人工智能
机器学习
摘要
皮肤恶性肿瘤需要及早检测以获得良好结果，但当前诊断存在观察者变异性和获取差异性问题。虽然AI显示出潜力，但现有皮肤学系统受限于单一架构、肤色跨数据集偏差，以及将自然语言处理视为独立后处理解释的碎片化方法。我们引入一个统一框架，从根本上重新想象AI在皮肤学诊断中的集成，通过两种协同创新实现。首先，构建目的是异构的卷积神经网络集合，提供互补诊断视角，内置不确定性机制标记分歧病例供专科医生审核——模仿临床最佳实践。其次，将大型语言模型能力直接嵌入诊断工作流程，将分类输出转化为临床上有意义的评估，同时满足医学文档要求并提供患者导向的教育。这种无缝集成生成结构化报告，包括精确的皮捣特征描述、可访问的诊断推理和可操作的监测指导——赋予患者识别诊间症状的能力。通过同时解决诊断可靠性和沟通障碍于单个连贯系统，本方法弥合了阻止前一代AI实现临床影响的关键转化差距。该框架代表了皮肤学AI实现重大进步的方向，旨在提升诊断精度，同时积极支持从初始检测到患者教育的护理连续性，最终提高皮肤病变的早期干预率。
引用
@article{arxiv.2510.06260,
title = {Ensemble Deep Learning and LLM-Assisted Reporting for Automated Skin Lesion Diagnosis},
author = {Sher Khan and Raz Muhammad and Adil Hussain and Muhammad Sajjad and Muhammad Rashid},
journal= {arXiv preprint arXiv:2510.06260},
year = {2025}
}