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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».