Enhancing Skin Disease Classification Leveraging Transformer-based Deep Learning Architectures and Explainable AI

皮肤疾病影响全球超过三分之一的人口，但它们的影响经常被低估。自动化皮肤疾病分类以协助医生进行预后可能很困难。然而，由于有效的特征提取流程，深度学习技术已经在各种任务中展现出了很大的潜力，包括皮肤病识别。本研究使用了一个包含31个类别的皮肤病数据集，并将其与所有版本的Vision Transformers、Swin Transformers和DivoV2进行了比较。分析还扩展到与文献中介绍的基准卷积架构进行比较。在皮肤病数据集上使用ImageNet1k权重的迁移学习对DinoV2的测试准确率贡献了96.48\%，F1-Score为0.9727，几乎比此数据的当前基准结果提高了10\%。DinoV2的性能还与HAM10000和Dermnet数据集进行了比较，以测试模型的鲁棒性，在23和7个类别的数据集上，训练模型在测试准确率和F1-Score上略微优于基准结果。使用可解释的AI框架，如GradCAM和SHAP，证实了结果，这些框架提供了精确的图像位置来映射疾病，协助皮肤科医生早期检测、及时预后和治疗。

研究如何使用深度学习技术自动识别皮肤病，以帮助医生进行诊断和治疗。

使用深度学习技术，包括Vision Transformers、Swin Transformers和DinoV2等，对包含31个类别的皮肤病数据集进行特征提取和分类，通过迁移学习在ImageNet1k数据集上进行训练，最终获得了96.48%的测试准确率和0.9727的F1-Score。

论文使用了多种深度学习技术进行实验比较，包括Vision Transformers、Swin Transformers和DinoV2等，通过迁移学习在ImageNet1k数据集上进行训练，取得了较高的测试准确率和F1-Score。同时，论文还使用了可解释的人工智能框架（如GradCAM和SHAP）来提供精确的图像位置，以帮助皮肤科医生进行早期发现、及时诊断和治疗。

相关研究包括：'Skin Lesion Classification Using Deep Learning Techniques'、'Deep Learning-Based Classification of Skin Lesions Using Higher-Order Local Autocorrelation Features'等。