A Novel End-to-End Deep Learning Approach for Skin Cancer Detection Based on Web Application
Notice bibliographique
Résumé
Skin cancer is a common, potentially fatal condition that requires early detection for successful treatment.Many cancerous cases are diagnosed in the advanced stages, which makes the chances of recovery very small, resulting in the inability to provide appropriate treatment promptly.This includes skin cancer, which causes complete damage to the affected area until it reaches the deepest layers.Previous studies have developed systems based on the diagnosis of this disease with the help of deep learning (DL), which can detect cancer in its early stages.In this study, using the Kaggle Melanoma Skin Cancer Dataset of 10000 Images dataset, which consists of over 10,000 high-quality skin lesion images, we present a novel DL method for skin cancer detection based on the DensNet121 model.Several alternative models, including DensNet121 + XGBoost Classifier, a dedicated Convolutional Neural Network (CNN) model, an ensemble model based on DensNet121, the Enhancing CNN model, and ResNet50, were also designed, implemented, and tested in addition to our main model, DensNet121.With regard to accuracy, precision, recall, F1 score, and Matthews Correlation Coefficient (MCC), our proposed model showed promising results after undergoing thorough evaluation and comparison with other recognized models.The DensNet121-based model demonstrated astounding 98% training accuracy, demonstrating its effectiveness in learning from training data.It kept up an admirable 82% validation accuracy, demonstrating its capability to handle new cases.The test's 78% accuracy rate proved that it worked well in practical situations.All three metrics-recall, precision, and F1 score-met exceptional benchmarks of 98%, demonstrating the model's prowess at identifying true positive cases and reducing false positives.Furthermore, there was 97% of the MCC indicating the high degree of accuracy between the forecast and the outcome.In the comparison analysis our model was better than ensemble model and conventional convolutional neural networks, indicating the importance of high training accuracy and generalization.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».