A Comprehensive Analysis of Hybrid ConvNeXt and Vision Transformer Architectures for Skin Cancer Classification: Evaluating Simpler vs. Advanced Models on the HAM10000 Dataset
Notice bibliographique
Résumé
Abstract: Skin cancer, with melanoma as its most lethal form, continues to challenge global healthcare systems, withanestimated2.5millionnewcasesreportedin2025alonebytheWorldHealthOrganization.Thisextensivestudyevaluates two innovative hybrid deep learning architectures for automated skin lesion classification using the HAM10000 dataset, comprising over 10,000 dermoscopic images across seven diagnostic categories. Architecture 1, a hybrid model integrating ConvNeXt for local feature extraction with Vision Transformer (ViT) for global context, achieves a commendable 94.5% accuracy.Architecture 2,an advanced iteration incorporating quantum-inspired feature selection and cross-attention fusion, elevates performance to 97.3% accuracy, 98.5% melanoma sensitivity, and a 0.98 AUC-ROC, establishing a new benchmark in diagnostic precision.The methodology encompasses detailed preprocessing techniques—normalization, augmentation (rotation, flipping, scaling, color jittering), and stratified data splitting (70% training, 15% validation, 15% testing)—alongside architectural innovations, hyperparameter optimization via grid search and five-fold cross-validation, andrigorousexternalvalidationon1,000diverseimages.Comparativeanalyseswithstate-of-the-artmodelslikeEfficientNet- B7 and ResNet50 reveal significant advantages, while discussions address clinical implications, limitations (e.g., datasetbias toward lighter skin tones), and future research directions, including diverse dataset integration, real-time optimiza- tion, and advanced augmentation strategies. This research underscores the transformative potential of hybrid AI in revo- lutionizing dermatological diagnostics.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 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 ».