Leveraging Stacked Ensemble Meta-Learning and Deep Neural Networks for Improved Skin Cancer Diagnosis
Notice bibliographique
Résumé
Skin cancer poses a major global health threat, with melanoma being one of the deadliest forms due to its rapid progression and high mortality rate.Timely and precise detection is crucial for enhancing patient survival rates.In this study, we propose a robust stacked ensemble meta-learning model for the classification of various skin cancer types using dermoscopic images.The proposed framework integrates four convolutional neural networks (CNNs) such as custom CNN, InceptionResNetV2, ResNet101V2, and DenseNet201 as base learners, and leverages five meta-learners: Random Forest, Decision Tree, Logistic Regression, Gradient Boosting, and XGBoost for final classification.The system is trained and fine-tuned on a curated subset of the ISIC 2020 dataset, consisting of 2,357 images across nine skin lesion categories.Comprehensive experiments demonstrate the superior performance of the ensemble approach, achieving an accuracy of 98.63%, with both precision and recall reaching 98.64%.The Random Forest-based ensemble emerges as the top-performing configuration.Additionally, the study provides a comparative evaluation with existing methods and highlights the clinical potential of the model in reducing false positives and false negatives.By leveraging transfer learning, data augmentation, and metalearning strategies, this work contributes a scalable and accurate diagnostic tool for skin cancer detection, especially suitable for deployment in primary care and resource-limited healthcare settings.
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 | 0,002 |
| 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) | 0,001 | 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 ».