带有不确定性量化的黑色素瘤检测

黑色素瘤的早期检测对提高生存率至关重要。当前检测工具常采用数据驱动的机器学习方法，但往往忽视多多数据集的充分整合。我们结合公开可用数据集以增强数据多样性，从而进行大量实验训练和评估各种分类器。随后我们对它们进行校准，通过引入不确定性量化来最小化误诊。在基准数据集上的实验显示，应用基于不确定性的拒绝前准确率高达93.2%，应用后提升至97.8%，误诊减少超过40.5%。我们的代码和数据公开可用，并提供了一个基于Web的界面，供用户快速检测自提供图像中的黑色素瘤。