Enhanced classification of malignant melanoma lesions via the integration of physiological features from dermatological photographs
Notice bibliographique
Résumé
Traditional methods for early detection of melanoma rely upon a dermatologist to visually assess a skin lesion using the ABCDE (Asymmetry, Border irregularity, Color variegation, Diameter, Evolution) criteria before confirmation can be done through biopsy by a pathologist. However, this visual assessment strategy taken by dermatologists is hampered by clinician subjectivity and suffers from low sensitivity. Computer-aided diagnostic methods based on dermatological photographs are being developed to aid in the melanoma diagnosis process, but most of these methods rely only on superficial, topographic features that can be limiting in characterizing melanoma. In this work, a hybrid feature model is introduced for characterizing skin lesions that combines low-level and high-level features, and augments them with a set of physiological features extracted from dermatological photographs using a nearest-neighbor nonlinear model to improve classification performance. The physiological features extracted from the lesion for the proposed hybrid feature model include those based on: i) eumelanin concentrations, ii) pheomelanin concentrations, and iii) blood oxygen saturation. The proposed hybrid feature model was evaluated on 206 dermatological photographs of skin lesions (119 confirmed melanoma cases, 87 confirmed non-melanoma cases) using a cross validation scheme. The experimental results show that the proposed hybrid feature model, with integrated physiological features, provided improved sensitivity, specificity, precision and accuracy for the purpose of melanoma classification.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».