A Survey on Skin Cancer Detection Using Artificial Intelligence

Diese Studie untersucht die Anwendung künstlicher Intelligenz bei der Erkennung von Hautkrebs und konzentriert sich auf die Verwendung neuronaler Netzwerke zur Klassifizierung von Bildern. Es untersucht die Stadien der Erkennung von Hautkrankheiten, einschließlich der Vorverarbeitung, Bildsegmentierung, Featureextraktion und Klassifizierung, wobei ein besonderer Schwerpunkt auf der Leistung künstlicher neuronaler Netzwerke (ANNs), konvolutionaler neuronaler Netzwerke (CNNs), k-next neighbors (KNNs) und radialer Basisfunktionsnetzwerke (RBFNs) liegt. Die Umfrage hebt die überlegenen Ergebnisse hervor, die CNNs bei der Bildklassifizierung aufgrund ihrer engen Verbindung mit dem Sehen am Computer erzielen. Es untersucht auch das sich herausbildende Konzept der Autoassoziation im Deep Learning, das darauf abzielt, Merkmale und Muster in Bilddatensätzen zu identifizieren, um die Genauigkeit diagnostischer Systeme zu verbessern. Der Text diskutiert die aktuellen Beschränkungen künstlicher Intelligenz basierender Diagnosewerkzeuge, wie ihren Fokus auf individuelle Läsionsbilder statt auf Ganzkörperuntersuchungen, und die Herausforderungen, die sich aus dem geringen Kontrast und den heterogenen Hintergründen dermoskopischer Bilder ergeben. Außerdem werden verschiedene Studien und Methoden überprüft, darunter die Verwendung statistischer Modelle zur Segmentierung der Handgelenkknochen in CT-Bildern und die Entwicklung mobiler gerätebasierter Systeme zur dermoskopischen Bildklassifizierung. Die Studie schließt mit der Betonung der Bedeutung der Früherkennung für die Verbesserung der Überlebensraten von Hautkrebs und der Notwendigkeit weiterer Forschung, um die Komplexität automatisierter Hautläsionsanalysen in Angriff zu nehmen.