Enhancing Skin Cancer Detection with Hybrid Attention Networks and Triple-Force Deep Learning Model
Notice bibliographique
Résumé
In this research, present a Hybrid Attention and Triple-Force Deep Learning (TFDL) framework for automated skin cancer detection and classification via dermoscopic images. Our proposed framework combines the Hybrid Attention U-Net (HAU-Net) for precise segmentation, combining Channel Attention (CAM), and Spatial Attention (SAM) modules to increase feature localization and delineate lesion boundaries. The Adaptive Ensemble Learning model consisting of three state-of-the-art convolutional networks (VGG16, EfficientNet-B3, and ResNet50) is then used for classification, where feature aggregation is dynamically weighted, referring to the acronym AEL. The design of AEL enables improved learning efficiency, generalization, and interpretability of the model. The experiments using benchmark skin cancer datasets (HAM10000, ISIC, and DermNet) for evaluation purposes and show that we achieve 98.1% accurate diagnostic accuracy, 97.5% sensitivity, and 98.6% specificity when combined. These accuracy metrics are 3–5% better than that of the original CNN or even existing ensemble models in diagnostic accuracy. The findings of this research confirm that the proposed triple force deep learning framework provides a clinically viable, explainable, and high-precision AI system for real-time skin cancer screening and early diagnosis of skin cancer, reducing diagnostic errors, and assisting in the clinical decision-making process for dermatologists.
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 | 0,001 |
| 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 | 0,001 |
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 ».