Deep Learning Mobile Algorithms for Detection of Skin Cancer
Notice bibliographique
Résumé
Skin cancer malignant melanoma is the deadliest type of cancer and early detection is important to improve patient prognosis.Recently, Deep Learning Neural Networks (DLNNs) have proven to be a powerful tool in classifying medical images for detecting various diseases and it has become viable to deal with skin cancer detection.In this research we propose a serverless mobile app to assist with skin cancer detection.This mobile app is based on the best performance of five Convolution Neural Network (CNN) models designed from scratch as well as four state-of-the-art architectures used for Transfer Learning (Inception v3, ResNet50v2, DenseNet, and Exception v2).Since the skin cancer dataset is imbalanced, we perform data augmentation.We also use the fine-tuning top layers technique for feature extraction on all models to improve the results.The main novelty of the proposed method is the model deployed as part of mobile app where the classification processes are executed locally on the mobile device.This approach will reduce the latency and improve the privacy of the end users compared with the cloud-based model where user needs to send images to a third-party cloud service.The achieved accuracy of pre-trained Inception v3 model is 99.99%.Therefore, the proposed mobile solution can serve as a reliable tool that can be used for melanoma detection by dermatologists and individual users.
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 | 0,001 |
| 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 ».