Classification of Psoriasis Using Vision Transformer: A Deep Learning-Based Approach
Notice bibliographique
Résumé
Psoriasis is a chronic autoimmune skin condition causing complex symptoms, often complicating accurate diagnosis. While convolutional neural networks (CNN) have potential in dermatological image classification, they struggle to adapt to the subtle variations in skin tones, lesion textures and lighting condition compromising the accuracy in psoriasis classification. In addition, traditional methods have difficulty modelling the various factors associated with psoriasis symptoms. This research provides an enhanced method based on the Vision Transformer (ViT) architecture, which includes data augmentation and transfer learning, to overcome the difficulties of limited data access and class imbalance in medical image classification. The dataset used comprises 1307 images categorized into two classes representing psoriatic and non-psoriatic images. The self-attention mechanism in the ViT effectively captures both local and global picture information, enabling precise identification of patterns unique to psoriatic lesions. The proposed model achieved 97.53% accuracy, a 0.98 F1-score, and a strong Pearson correlation of 0.962 (p<0.001), with high sensitivity (98.37%) and specificity (97.84%), outperforming traditional CNN-based methods. The model’s improved accuracy and reliability has the potential of early diagnosis of psoriasis and assisting dermatologists for making informed decisions. Furthermore, ViT’s ability to effectively capture lesion variation in different skin tones, textures and lighting conditions, highlighting its advantage over CNN-based approaches. These findings indicate that ViT can efficiently manage the complicated nature of dermatological image analysis for timely and improved personalized treatment plans.
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 | 0,001 |
| 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 ».