A Comparison of Autoencoders and Variational Autoencoders for Anomaly Detection in Dermoscopic Skin Lesion Imagery
Notice bibliographique
Résumé
Early detection and diagnosis of skin abnormalities are crucial for effective treatment and management of skin diseases. This paper explores the application of deep learning techniques for skin tissue analysis, focusing on the detection of abnormalities from dermoscopic images. Unsupervised learning methods such as Autoencoders (AE) and Variational Autoencoders (VAE) save resources by eliminating the need for labeled data, making them more efficient and scalable than supervised learning. We compare the performance of AE and VAE architectures in developing a robust model capable of distinguishing between benign and malignant skin lesions. This study uses the MNIST HAM10000 dataset of 10,015 dermoscopic images, divided into seven classes that represent benign and malignant diagnostic categories. The data set was divided into benign (normal) and malignant (anomalous) cases. The models were trained to learn features of the normal data and generate reconstructions of these images. An optimal decision boundary is chosen to classify images as benign or malignant based purely on their reconstruction error. Experimental results, averaged over 30 training runs, demonstrate that the AE outperforms the VAE in accuracy (71.84/% vs. 67.79/%), F1-score (73.03/% vs. 67.33/%), and FNR (23.76/% vs. 33.58/%). An evaluation of Autoencoder reconstructions using Shapley Additive Explanations (SHAP) analysis was performed to visualize and identify the pixel-wise attributions of anomalies thereby providing insight as to which factors most influenced model reconstruction and, therefore, decisions in label assignment for each AE approach. Some general patterns were clear, particularly regarding high attribution assignments to centralized pixel regions of the most anomalous images. These findings suggest that the AE architecture is promising for automated skin cancer detection, which can lead to more accurate and timely diagnoses and improved patient outcomes.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,000 |
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 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 ».