针对佩戴式设备的皮肤癌诊断模型压缩引擎
机器学习
2025-07-24 v1
摘要
皮肤癌是最常见且可预防的癌症类型之一，但其早期诊断仍然是一个挑战，尤其是在医疗资源有限的地区。本研究提出了一种针对嵌入式系统优化的 AI 驱动诊断工具，以弥补这一差距。采用 MobileNetV2 架构进行迁移学习，将模型适用于皮肤病变的二分类，将其分为“皮肤癌”和“其他”。TensorRT 框架被用于在 NVIDIA Jetson Orin Nano 上压缩和优化模型，在性能和能源效率之间进行权衡。对模型大小、推理速度、吞吐量和功耗等多个基准进行了全面评估。优化后的模型保持了性能，实现 87.18% 的 F1 分数，精度为 93.18%，召回率为 81.91%。压缩后显示，模型大小最大降低 0.41，推理速度和吞吐量得到改善，能源消耗在 INT8 精度下降低最高可达 0.93。这些发现验证了在资源受限的边缘设备上部署高性能、能源效率诊断工具的可行性。除了皮肤癌检测之外，本研究所采用的方法在其他医疗诊断领域以及需要可访问、高效 AI 解决方案的其他领域也有更广泛的应用。本研究强调了优化 AI 系统的潜力，以革新医疗诊断，从而弥合先进技术与资源匮乏地区之间的鸿沟。
引用
@article{arxiv.2507.17125,
title = {Model Compression Engine for Wearable Devices Skin Cancer Diagnosis},
author = {Jacob M. Delgado-López and Andrea P. Seda-Hernandez and Juan D. Guadalupe-Rosado and Luis E. Fernandez Ramirez and Miguel Giboyeaux-Camilo and Wilfredo E. Lugo-Beauchamp},
journal= {arXiv preprint arXiv:2507.17125},
year = {2025}
}