Classifying Melanoma and Seborrheic Keratosis Automatically with Polarization Speckle Imaging
Notice bibliographique
Résumé
Skin cancer is the most common cancer in western countries with a high incidence rate. Among all different types of skin cancers, malignant melanoma is the most fatal but has a promising prognosis if it is detected and treated at the early stages. However, melanoma often resemble to seborrheic keratosis (SK), a benign skin condition, and cause mis-diagnosis. Therefore, it is important to develop a framework with computer aided system and non-invasive techniques to assist in the clinical diagnosis of melanoma. In this study, we extend a recent polarization speckle imaging method based on depolarization rate and achieved automatic detection of melanoma by leveraging the power of machine learning strategies. We collected 143 malignant melanoma and seborrheic keratosis lesions. Different machine learning methods, including support vector machine, random forest and k-nearest neighbor, were employed for the classification between melanoma and seborrheic keratosis. In order to explore the impact of different light sources, we further compared the classification performance of depolarization rate with blue and red light sources using different classifiers. The results suggested that the most reliable classification performance was achieved by support vector machine, yielding a high accuracy of 86.31% and the most balanced performance between sensitivity and specificity. In addition, the depolarization rate with the blue light source demonstrated a consistently better performance than that with the red light source across different methods. Our promising classification performance shows evidence for the potentials of computer aided diagnosis of melanoma with polarization speckle imaging, providing an additional non-invasive in vivo tool for skin cancer detection which could benefit future clinical dermatology research.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».