Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.

Forschungsartikel

Ein erklärbares computergestütztes Framework zur Klassifizierung von Hautläsionen mittels Deep Learning

103 Aufrufe

⸱

DOI:

10.3791/72639

⸱

25. August 2026

 ,  ,  ,  ,  ,  ,  , 
1Department of Information Systems, College of Computer Science and Engineering, Taibah University, 2Department of Information Technology, College of Computers and Information Technology, Taif University, 3Department of Information Systems, College of Computer Science and Engineering, Taibah University, 4Department of Computer Science, College of Computer Science and Engineering, Taibah University, 5Information Technology Department, Faculty of Computers and Information, Menoufia University, 6Computer Science Department, Faculty of Science, Tanta University

In diesem Artikel

Zusammenfassung

Dieser Artikel stellt einen erklärbaren, auf CNNs basierenden Ansatz für die Klassifizierung von Hautläsionen vor, der hohe diagnostische Genauigkeit mit Modellinterpretierbarkeit verbindet. Er klassifiziert Bilder von Läsionen und erzeugt visuelle Erklärungen für seine Vorhersagen. Die Ergebnisse zeigen eine starke Leistungsfähigkeit und verbesserte Transparenz, was die klinische Entscheidungsfindung unterstützt und Dermatologen bei der Früherkennung von Hauterkrankungen hilft.

Zusammenfassung

Die Nutzung tiefer faltender neuronaler Netze zur Diagnose von Erkrankungen im Bereich der Haut hat in verschiedenen Studien eine vergleichbare Genauigkeit wie die von Dermatologen erzielte Genauigkeit nachgewiesen. Dennoch bestehen weiterhin zahlreiche Herausforderungen, darunter in einigen Fällen Unterperformance und schlechte Generalisierungsfähigkeit sowie eine geringe Interpretierbarkeit aufgrund der Verwendung von Black-Box-Modellen. Dies schafft erhebliche Hindernisse für die praktische Umsetzung, da neben einer genauen Diagnostik auch Erklärbarkeit erforderlich ist, weshalb eine Lösung gefunden werden muss. Um die genannten Schwierigkeiten zu überwinden, wird in dieser Studie ein erklärbares Deep-Learning-Framework zur Klassifizierung von Hautläsionen (EDLF-SLC) entwickelt. Das Framework nutzt verschiedene Ansätze des maschinellen Lernens und der erklärbaren künstlichen Intelligenz (XAI), um in drei Stufen sowohl die Genauigkeit als auch die Interpretierbarkeit zu verbessern. In der ersten Stufe werden tiefe Darstellungen, die aus mehreren vortrainierten CNN-Architekturen extrahiert wurden, fusioniert, um komplementäre diskriminative Informationen zu bewahren, die von unterschiedlichen Netzwerkarchitekturen gelernt wurden, bevor die Klassifizierung mithilfe eines SVM mit einem radialen Basisfunktionskern erfolgt. Anschließend werden Support-Vektor-Maschinen (SVM) mit einem radialen Basisfunktionskern zur Klassifizierung der gewonnenen Merkmale verwendet. Schließlich werden die vom Modell getroffenen Vorhersagen mittels lokaler interpretierbarer, modellunabhängiger Erklärungen (LIME) interpretiert. Die experimentellen Ergebnisse zeigen, dass EDLF-SLC eine Genauigkeit von 88,0 %, eine Präzision von 89,0 %, einen Recall von 87,0 % und einen F1-Score von 88,0 % erreicht und somit im Vergleich zu mehreren kürzlich publizierten Methoden unter den in dieser Studie betrachteten experimentellen Bedingungen wettbewerbsfähige Leistung erbringt.

Einleitung

Hautläsionen sind in der Dermatologie und Onkologie von großer Bedeutung, da sie von gutartigen Veränderungen bis hin zu malignen Krebserkrankungen wie dem Melanom, der tödlichsten Form von Hautkrebs, reichen. Im Jahr 2020 gab es weltweit schätzungsweise 325.000 neue Melanom-Fälle und über 57.000 Todesfälle1. Obwohl Fortschritte bei der Früherkennung und Therapie die Behandlungsergebnisse für Patienten verbessert haben, tragen verzögerte Diagnosen und eingeschränkter Zugang zur medizinischen Versorgung weiterhin zu einer hohen Mortalität und zu verlorenen Lebensjahren bei, insbesondere in jüngeren Bevölkerungsgruppen2,3.

Die herkömmliche Diagnose stützt sich hauptsächlich auf die visuelle Untersuchung und Dermatoskopie, wodurch der Prozess von der Expertise der Ärztinnen und Ärzte abhängt und anfällig für Subjektivität, interindividuelle Variabilität, unnötige Biopsien sowie verlängerte Untersuchungszeiten ist4,5,6. Um diese Einschränkungen zu überwinden, hat sich das Deep Learning, insbesondere CNNs, als effektive Lösung für die automatisierte Klassifizierung von Hautläsionen etabliert. CNN-basierte Modelle, darunter DDCNN-F7, YOLOv7-XAI8 und mehrere andere Architekturen9,10,11,12,13, haben eine hohe diagnostische Genauigkeit gezeigt, indem sie diskriminierende Bildmerkmale automatisch erlernen. Trotz ihres Erfolgs funktionieren die meisten Deep-Learning-Modelle wie „Black Boxes“, was das Vertrauen der Ärztinnen und Ärzte einschränkt und ihre Einführung in die routinemäßige medizinische Praxis behindert. Aus diesem Grund wurden Techniken der erklärlichen künstlichen Intelligenz (Explainable Artificial Intelligence) eingeführt, um die Transparenz der Modelle zu erhöhen, indem sie visuelle Erklärungen der Vorhersagen bereitstellen. Eine dieser Methoden, die Lokalen interpretierbaren modellunabhängigen Erklärungen (Local Interpretable Model-Agnostic Explanations), erzeugt nachvollziehbare lokale Erklärungen, indem sie die Bildbereiche identifiziert, die die Modellentscheidungen am stärksten beeinflussen14.

Die Klassifizierung von Hautläsionen hat sich aus der traditionellen klinischen Beurteilung heraus zu fortschrittlichen, auf künstlicher Intelligenz basierenden Diagnosesystemen entwickelt, getrieben durch die Notwendigkeit einer genauen, zuverlässigen und frühen Erkennung von Hautkrebs. Diese Entwicklung durchlief fünf Hauptphasen – traditionelle Diagnosemethoden, computergestützte Diagnose (CAD), maschinelles Lernen (ML), Deep Learning (DL) und, in jüngerer Zeit, erklärbares KI-System (XAI) und föderiertes Lernen (FL) –, was kontinuierliche Bemühungen widerspiegelt, die diagnostische Genauigkeit, Konsistenz, Skalierbarkeit und klinische Vertrauenswürdigkeit zu verbessern und gleichzeitig die Grenzen herkömmlicher Untersuchungen zu überwinden. Frühe rechnergestützte Methoden versuchten, die klinische Schlussfolgerung durch manuell erstellte Bildmerkmale nach dem ABCD-Regel-System zu imitieren, einschließlich Asymmetrie, Randunregelmäßigkeit, Farbunterschieden und Läsionsdurchmesser. Diese Merkmale wurden mit Bayesschen Netzwerken, Entscheidungsbäumen, Expertensystemen und Modellen mit unscharfer Logik kombiniert, um die Diagnose von Melanomen zu unterstützen, wobei mehrere Studien Klassifizierungsgenauigkeiten von über 90 % meldeten15,16,17. Obwohl diese Methoden eine wichtige Grundlage für die computergestützte Diagnose bildeten, waren sie vollständig von manuell konstruierten Merkmalen und vorgegebenen diagnostischen Regeln abhängig. Folglich zeigten sie eine begrenzte Robustheit gegenüber Variationen in der Bildqualität, Läsionsmorphologie, Beleuchtung und Aufnahmebedingungen.

Um diese Nachteile zu beheben, entstanden klassische CAD-Systeme als Zwischenschritt zwischen der konventionellen Bildanalyse und modernen, auf KI basierenden Frameworks. CAD-Systeme kombinierten manuell konstruierte Merkmalsextraktion mit herkömmlichen Klassifizierern, um die diagnostische Konsistenz zu verbessern und die klinische Entscheidungsfindung zu unterstützen. Verschiedene hybride Ansätze integrierten hierarchisches Clustering mit rekurrenten neuronalen Netzen und Langzeit-Kurzzeit-Gedächtnis-Architekturen und erreichten Klassifizierungsgenauigkeiten von nahezu 99,5 %18. Andere CAD-basierte Frameworks nutzten Gradient-Boosting-Klassifizierer mit SHAP-basierten Erklärungen und zeigten dabei wettbewerbsfähige diagnostische Genauigkeit, während sie gleichzeitig die Modelltransparenz verbesserten19. Obwohl diese Systeme eine deutliche Verbesserung gegenüber rein regelbasierten Ansätzen darstellten, waren sie weiterhin stark von manuell konstruierter Merkmalsextraktion, umfangreicher Vorverarbeitung, sorgfältig annotierten Datensätzen und mehrstufigen Verarbeitungspipelines abhängig.

Maschinelle Lernverfahren haben die automatisierte Klassifizierung von Hautläsionen weiter vorangetrieben, indem sie ein datengestütztes Lernen anstelle der expliziten Regelerstellung ermöglichten. Hybride Frameworks, die konvolutionelle neuronale Netze mit herkömmlichen maschinellen Klassifikatoren wie logistischer Regression und k-nächsten Nachbarn kombinierten, zeigten eine hohe Klassifizierungsleistung auf etablierten Datensätzen und erreichten Genauigkeiten von über 95 %9. Selbstüberwachtes multimodales Lernen verbesserte die Merkmalsrepräsentation weiter, indem es dermatoskopische und klinische Bilder gemeinsam nutzte, wodurch die Abhängigkeit von umfangreichen manuellen Annotationen verringert und gleichzeitig die Klassifizierungsleistung gesteigert wurde20. Weitere Studien kombinierten CNNs mit verallgemeinerter Diskriminanzanalyse, SURF-Deskriptoren und Optimierungsalgorithmen, um die Merkmalsdiskriminierung und Klassifizierungsgenauigkeit zu verbessern21. Automatische Verfahren zur Merkmalsauswahl, die DenseNet-201, InceptionV3 und binäre Baumoptimierungsalgorithmen verwendeten, verbesserten die Merkmalsrepräsentation weiter, während sie gleichzeitig eine wettbewerbsfähige diagnostische Leistung beibehielten22. Ansätze des Transferlernens, die vortrainierte Architekturen wie AlexNet und GoogLeNet nutzten, zeigten trotz begrenzter Trainingsdaten vielversprechende Klassifizierungsfähigkeiten23. Dennoch blieben die meisten ML-Methoden weiterhin von sorgfältig entworfenen Vorverarbeitungsverfahren, manuell erstellten Optimierungsstrategien, ausgewogenen Datensätzen und umfangreichem Hyperparameter-Tuning abhängig. Ihre begrenzte externe Validierung und Empfindlichkeit gegenüber Klassenungleichgewichten schränkten zudem ihre praktische Anwendbarkeit in unterschiedlichen klinischen Umgebungen ein.

Die Einführung des Deep Learning hat die automatisierte Klassifizierung von Hautläsionen grundlegend verändert, indem sie das Ende-zu-Ende-Lernen direkt aus rohen Bilddaten ermöglichte. Faltungsneuronale Netze (CNNs) machten manuelles Merkmals-Engineering überflüssig und verbesserten gleichzeitig die diagnostische Leistung deutlich über mehrere Benchmark-Datensätze hinweg. Die meisten auf CNNs basierenden Ansätze zeigten signifikante Verbesserungen bei der Läsionsklassifizierung durch zunehmend anspruchsvolle Architekturen. Symmetrieorientierte CNN-Modelle untersuchten klinisch relevante Läsionsmerkmale, erreichten jedoch lediglich eine moderate ausgewogene Genauigkeit24. Andere integrierten EfficientNet-Architekturen mit LIME- und SHAP-Erklärungen, um die Interpretierbarkeit zu verbessern, und führten gleichzeitig quantitative Maße für Vertrauenswürdigkeit ein25. Hybride Deep-Learning-Systeme, die Läsionssegmentierung, Ensemble-Learning und CNNs kombinierten, erzielten hervorragende Ergebnisse auf mehreren ISIC-Datensätzen, blieben jedoch empfindlich gegenüber der Segmentierungsgüte und Klassenungleichgewichten26.

In jüngerer Zeit haben zunehmend anspruchsvollere hybride Architekturen die Klassifizierungsgenauigkeit weiter verbessert, indem sie komplementäre Deep-Learning-(DL-)Techniken integrierten. Bedingte generative adversariale Netzwerke in Kombination mit YOLOv5 und der Analyse unabhängiger Komponenten erreichten Klassifizierungsgenauigkeiten von über 99 %, wobei ihre hohe Rechenkomplexität die praktische Anwendung jedoch einschränkte27. Ebenso lernten hybride LSTM–ResNet-Architekturen effektiv räumlich-zeitliche Darstellungen, benötigten aber erheblich mehr Rechenressourcen28. Auf Transformatoren basierende Modelle wie Sap-Former nutzten globale Kontextinformationen, um die Merkmalsrepräsentation zu verbessern, erforderten jedoch umfangreiche Vorverarbeitung, groß angelegte annotierte Datensätze und erhebliche Rechenleistung29. Leichtgewichtige Alternativen wie S-MobileNet versuchten, Rechenleistungseffizienz mit diagnostischer Genauigkeit in Einklang zu bringen30, während Methoden der unbeaufsichtigten Domänenanpassung die Generalisierung über Domänen hinweg verbesserten, trotz verringerter Effektivität, wenn nur begrenzte Trainingsbeispiele verfügbar waren31. Durch Aufmerksamkeitsmechanismen verbesserte hybride Netzwerke, die modifizierte konvolutionale Aufmerksamkeitsmodule und Snapshot-Ensemble-Lernen integrieren, zeigten ebenfalls vielversprechende Leistung bei der Klassifizierung von Hautläsionen durch Affenpocken, obwohl Herausforderungen im Zusammenhang mit Klassenungleichgewicht, Bildvielfalt und begrenzter Erklärbarkeit weiterhin ungelöst blieben32. Angepasste Residualarchitekturen, die tiefere Netzwerkstrukturen und hybride Verlustfunktionen verwenden, steigerten die Klassifizierungsgenauigkeit über 99 % hinaus, gingen jedoch mit deutlich höherem Rechenaufwand und längeren Trainingszeiten einher33. Umfassende Übersichtsarbeiten kamen übereinstimmend zu dem Schluss, dass DL-Methoden traditionelle manuelle Ansätze deutlich übertrafen, indem sie diskriminative Bildrepräsentationen automatisch lernten, und gleichzeitig persistierende Herausforderungen im Hinblick auf Bildartefakte, Beleuchtungsvariabilität, Rechenkomplexität und begrenzte klinische Generalisierbarkeit identifizierten34.

Obwohl die tiefe Lernverfahren (DL) die diagnostische Genauigkeit erheblich verbessert haben, haben Bedenken hinsichtlich Modelltransparenz, Unsicherheitsschätzung und vertrauenswürdigen klinischen Einsatz ein wachsendes Interesse an erklärbarer KI (XAI) und verteiltem Lernen (Federated Learning) ausgelöst. Mehrere Studien haben Techniken zur Quantifizierung von Unsicherheiten untersucht, darunter konforme Vorhersage, Monte-Carlo-Dropout und evidenzbasiertes tiefes Lernen, wobei sich zeigte, dass eine zuverlässige Konfidenzschätzung die Entscheidungsunterstützung erheblich verbessern kann, auch wenn dadurch zusätzliche rechentechnische und datenbezogene Einschränkungen entstehen35. Es wurden ebenfalls mutual learning-basierte Transformer-Frameworks vorgeschlagen, um das Problem der Klassenungleichgewichte zu adressieren und gleichzeitig die Effizienz des Merkmalslernens zu verbessern36. Andere Ansätze kombinierten vollauflösende CNNs mit graphenbasierten Optimierungstechniken, um die Segmentierung und Klassifizierung von Läsionen zu verbessern37, während hybride Deep-Learning-Frameworks, die mehrere komplementäre Merkmalsdarstellungen integrieren, Klassifizierungsgenauigkeiten von nahezu 99,5 % erreichten, jedoch umfangreiche Vorverarbeitung erfordern38.

Aktuelle Forschungsarbeiten konzentrieren sich zunehmend darauf, Erklärbarkeit direkt in Deep-Learning-Frameworks zu integrieren, um das Vertrauen von Ärzten zu stärken und die praktische klinische Anwendung zu erleichtern. Erklärbare Systeme, die mehrere Architekturen aus faltenden neuronalen Netzen in Kombination mit Grad-CAM und Score-CAM nutzen, lokalisierten diagnostisch relevante Läsionsbereiche erfolgreich und erzielten gleichzeitig wettbewerbsfähige Klassifizierungsleistungen sowohl auf internen als auch externen Datensätzen39. Hybride CNN–Transformer-Modelle, die dermatoskopische Bilder mit klinischen Metadaten kombinieren, verbesserten die Vorhersagegenauigkeit weiter und nutzten SHAP sowie Grad-CAM, um klinisch aussagekräftige visuelle Erklärungen zu erzeugen40. Zusätzliche, auf Transformatoren basierende hybride Architekturen, die EfficientNetV2S, Swin-Transformer, modifizierte Xception-Netzwerke und Graph-Attention-Mechanismen integrieren, erfassten effektiv komplementäre globale und lokale Läsionseigenschaften, wobei ihre hohe Anzahl an Parametern und die begrenzte Leistung bei Minderheitenklassen die praktische Anwendbarkeit einschränkten41. Ebenso zeigten hybride YOLOv8–Vision-Transformer-Modelle durch adaptive Datenaugmentierung sowie Erklärungen mittels SHAP und Grad-CAM eine verbesserte Lokalisation von Läsionen, multiklassige Klassifizierung und visuelle Interpretierbarkeit; diese Verfahren stützten sich jedoch weiterhin hauptsächlich auf Benchmark-Datensätze und wiesen eine begrenzte Robustheit bei Minderheiten-Läsionskategorien auf42. Mehrere Übersichtsarbeiten haben diese Entwicklungen zusammengefasst und betonen sowohl die bemerkenswerten Fortschritte moderner Deep-Learning-Verfahren als auch die anhaltenden Herausforderungen hinsichtlich Recheneffizienz, Erklärbarkeit, Abhängigkeit von Datensätzen und klinischer Validierung43,44,45. Tabelle 1 fasst einige kürzlich veröffentlichte Arbeiten zusammen, die Deep-Learning-Algorithmen zur Klassifizierung von Hautläsionen nutzen.

Trotz der bemerkenswerten Fortschritte, die neuere DL-Methoden bei der Klassifizierung von Hautläsionen erzielt haben, sind die meisten bestehenden Ansätze weiterhin durch hohe Rechenkomplexität, Abhängigkeit von großen annotierten Datensätzen, begrenzte Modellinterpretierbarkeit und unzureichende Validierung in unterschiedlichen, realen klinischen Umgebungen eingeschränkt. Um diese Einschränkungen zu überwinden, schlägt dieser Artikel den EDLF-SLC-Rahmen vor, der komplementäre Merkmale, die aus mehreren CNN-Architekturen extrahiert wurden, mit einem SVM-Klassifikator kombiniert, um eine robuste und genaue Klassifizierung zu ermöglichen. Der Rahmen verwendet außerdem ein verbessertes Preprocessing, um die Bildqualität zu steigern und Klassenungleichgewichte auszugleichen, und integriert die LIME-Technik, um visuelle Erklärungen für individuelle Vorhersagen bereitzustellen, wodurch die Transparenz des Modells sowie das klinische Vertrauen erhöht werden.

Die Beiträge dieser Studie sind dreifach. Erstens schlagen die Autoren einen robusten Rahmen, EDLF-SLC, vor, der fortschrittliche faltende neuronale Netze (CNNs) mit einem Support-Vektor-Maschinen-(SVM-)Klassifikator kombiniert, um eine genaue und zuverlässige Klassifizierung von Hautläsionen zu erreichen. Zweitens setzen die Autoren verbesserte Vorbereitungstechniken ein, um Klassenungleichgewicht auszugleichen und Bildrauschen zu reduzieren, wodurch die Qualität der Eingabebilder sowie die Gesamtleistung des Klassifizierungsmodells verbessert wird. Drittens integrieren die Autoren die Methode der Lokal Interpretierbaren Modell-agnostischen Erklärungen (LIME), um individuelle Modellvorhersagen zu visualisieren und zu interpretieren, indem sie die Bildbereiche hervorheben, die die Klassifizierungsentscheidungen am stärksten beeinflussen, wodurch die Transparenz und Interpretierbarkeit des vorgeschlagenen Ansatzes erhöht wird.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

Diese Studie beinhaltete keine Rekrutierung menschlicher Teilnehmer oder die Erhebung identifizierbarer Patientendaten. Alle Experimente wurden unter Verwendung des öffentlich zugänglichen ISIC-2020-Hautläsions-Datensatzes durchgeführt, der aus dem Kaggle-Repository bezogen wurde; daher waren eine Genehmigung durch einen institutionellen Ethikausschuss und eine informierte Einwilligung nicht erforderlich. Alle in dieser Studie verwendeten Materialien sind in der Tabelle der Materialien aufgeführt.

Extraktion und Fusion von Merkmalen
Hautläsionsbilder wurden mithilfe mehrerer vortrainierter CNN-Modelle verarbeitet. Die aus den ausgewählten vortrainierten CNN-Architekturen extrahierten tiefen Merkmalsvektoren werden verkettet, um eine einheitliche Merkmalsrepräsentation für jedes Hautläsionsbild zu erstellen. Die verwendete Fusionsstrategie bewahrt komplementäre visuelle Informationen, die von unterschiedlichen CNN-Architekturen gelernt wurden, wodurch der nachfolgende SVM-Klassifikator sowohl texturbasierte Eigenschaften auf niedriger Ebene als auch semantische Repräsentationen auf höherer Ebene nutzen kann. Obwohl Dimensionsreduktionsverfahren wie die Hauptkomponentenanalyse oder die auf mutualer Information basierende Merkmalsauswahl die Dimensionalität der Merkmale verringern könnten, wurde die vollständige fusionierte Repräsentation bewusst beibehalten, da der fusionierte Merkmalsraum für den verwendeten RBF-SVM-Klassifikator rechentechnisch handhabbar bleibt und gleichzeitig komplementäre diagnostische Informationen bewahrt, die aus den heterogenen CNN-Backbones extrahiert wurden.

Klassifizierung
Die fusionierten Merkmalsvektoren wurden verwendet, um einen SVM-Klassifikator mit einem RBF-Kern zu trainieren. Es kamen Techniken zur Hyperparameter-Optimierung zum Einsatz, um die optimalen Klassifizierungseinstellungen zu bestimmen. Anschließend kategorisierte der Klassifikator die Hautläsionen in ihre jeweiligen Klassen ein.

Erklärbarkeit
Zur Verbesserung der Interpretierbarkeit wurde LIME angewendet, um visuelle Erklärungen zu generieren, die die Bildbereiche hervorheben, die am stärksten zu den Klassifizierungsergebnissen beitragen. Diese Erklärungen würden Kliniker dabei unterstützen, die Entscheidungen des Modells nachzuvollziehen und zu validieren.

Evaluierungsplan
Der vorgeschlagene Ansatz wurde anhand eines etablierten Datensatzes für Hautläsionen evaluiert. Die Leistung wurde anhand von Genauigkeit, Präzision, Sensitivität und F1-Score bewertet. Vergleichende Experimente wurden gegenüber bestehenden maschinellen Lern- und Deep-Learning-Verfahren durchgeführt, um die Wirksamkeit des vorgeschlagenen Ansatzes zu belegen.

Erwartete Ergebnisse
Die Studie sollte ein genaues und interpretierbares Klassifizierungssystem für Hautläsionen hervorbringen. Vorläufige experimentelle Ergebnisse deuten darauf hin, dass EDLF-SLC eine Genauigkeit von 88,0 %, eine Präzision von 89,0 %, einen Recall von 87,0 % und einen F1-Score von 88,0 % erreicht und damit mehrere konkurrierende Methoden übertrifft. Es wurde erwartet, dass die Integration von LIME-Erklärungen die Vertrauenswürdigkeit erhöht und die Einführung von KI-unterstützten Diagnosesystemen in der klinischen Praxis erleichtert.

Bedeutung
Diese Forschung leistet einen Beitrag zum wachsenden Bereich der erklärbareren KI im Gesundheitswesen, indem sie sowohl Leistungs- als auch Transparenzherausforderungen bei der Diagnose von Hautläsionen angeht. Der vorgeschlagene Ansatz hat das Potenzial, Dermatologen bei zuverlässigeren und nachvollziehbareren diagnostischen Entscheidungen zu unterstützen und dadurch letztlich die Patientenversorgung zu verbessern. Darüber hinaus geben die Autoren in diesem Abschnitt Informationen zu den Materialien und der Methodik an, die in dieser Studie angewandt wurden. Insbesondere beginnen die Autoren mit der Beschreibung des für die Experimente verwendeten Datensatzes und führen dies weiter in eine detaillierte Darstellung des Erklärbaren Tiefenlern-Frameworks für die Klassifizierung von Hautläsionen.

Datensatz
Die vorgestellte Arbeit basiert auf dem öffentlich verfügbaren ISIC-2020-Datensatz (International Skin Imaging Collaboration), auf den über die Kaggle-Website zugegriffen werden kann (https://www.kaggle.com/datasets/fanconic/skin-cancer-malignant-vs-benign). Das ISIC-Repository gilt als eine der besten Ressourcen auf dem Gebiet der dermatologischen Bildgebung, da es eine große Vielfalt an dermatoskopischen Bildern verschiedener Arten von Hautläsionen bereitstellt, wie in Abbildung 1 gezeigt. Wichtig ist, dass der Datensatz Bilder sowohl gutartiger als auch bösartiger Erkrankungen enthält, was ihn für binäre Klassifizierungsaufgaben bei Hautkrebs geeignet macht 46. Der aktuelle Datensatz umfasst 3.297 Bilder, darunter 1.800 gutartige und 1.497 bösartige. Für effizientere Experimente mussten die Daten in einen Trainings- und einen Testdatensatz aufgeteilt werden. Insbesondere umfasst der Trainingsdatensatz 2.637 Bilder, darunter 1.440 gutartige und 1.197 bösartige, während der Testdatensatz aus 660 Bildern besteht, davon 360 gutartige und 300 bösartige. Eine Zusammenfassung des Datensatzes ist in Tabelle 2 dargestellt.

Das vorgeschlagene EDLF-SLC-Modell
In dieser Arbeit wird eine effiziente und verständliche Lösung zur Klassifizierung von Hautläsionen in gutartige und bösartige Kategorien vorgestellt, die auf einer neuartigen erklärbaren Deep-Learning-Technik basiert und einen hybriden Ansatz verfolgt, der die Vorteile mehrerer vortrainierter Convolutional-Neural-Network-Modelle kombiniert. Convolutional Neural Networks haben sich als äußerst effektiv bei der Extraktion semantischer Merkmale auf hohem Niveau aus medizinischen Bildern erwiesen. Unter Nutzung dieser Fähigkeit nutzt das vorgeschlagene erklärbare Deep-Learning-Framework zur Klassifizierung von Hautläsionen (EDLF-SLC) mehrere vortrainierte CNN-Modelle, um eine überlegene Leistung zu erzielen. Um die notwendige Transparenz des medizinischen Entscheidungsprozesses sicherzustellen, wurde im vorgeschlagenen Ansatz LIME eingesetzt, um lokale, für Menschen verständliche Erklärungen für die Ergebnisse zu generieren. Der gesamte Rahmen lässt sich in drei Hauptphasen unterteilen, wie in Abbildung 2 dargestellt, nämlich (1) Daten-Präprozessing, (2) Merkmalsextraktion und -klassifizierung sowie (3) Interpretierbarkeit.

Modellarchitektur und Integration
Als vorbereitende Maßnahme wurden sieben verbreitete Deep-Learning-Modelle (MobileNetV2, ResNet50, EfficientNetB0, Xception, InceptionResNetV2, NASNetLarge und MobileNet) ausgewählt und separat anhand des Validierungsdatensatzes bewertet. Für die Merkmalsextraktionsphase wurden die vier effektivsten Modelle (ResNet50, EfficientNetB0, MobileNet und Xception) ausgewählt. In dem vorgeschlagenen Framework wird jedes Eingabebild x unabhängig durch die ausgewählten vortrainierten Modelle geleitet. Die letzte vollverknüpfte Schicht wurde aus jedem dieser Modelle entfernt, und Merkmalsvektoren wurden aus den vorhergehenden Schichten gewonnen. fResNet50(x), fEfficientNetB0(x), fMobileNet(x) und fXception(x) bezeichnen die Ausgabe-Merkmalsvektoren der oben genannten Modelle. Durch Verkettung dieser Merkmalsvektoren ergibt sich ein neuer aggregierter Merkmalsvektor F(xi):

F(xi) = [f(ResNet50)(xi);f(EfficientNetB0)(xi);f(MobileNet)(xi);f(Xception)(xi)] (1)

Anschließend wurde F(xi) einem SVM-Klassifikator mit einem radialen Basisfunktionskern (RBF) zugeführt, um das Klassifikationsergebnis zu erhalten. Der gesamte Algorithmus für das vorgeschlagene Framework ist in Supplementary File 1 dargestellt.

Der vorgeschlagene Ansatz verwendet eine direkte Fusion auf Merkmalsebene, da jede vortrainierte CNN-Architektur unterschiedliche diskriminative Merkmale von Hautläsionen durch ihre jeweils spezifische Netzwerkarchitektur und hierarchische Merkmalslernung erfasst. Daher bewahrt die Verkettung dieser heterogenen Merkmalsdarstellungen komplementäre Informationen auf, die zu einer umfassenderen Charakterisierung der Läsionen vor der Klassifizierung beitragen. Obwohl Dimensionsreduktionsverfahren wie die Hauptkomponentenanalyse (PCA) oder die auf mutualer Information basierende Merkmalsauswahl die Dimensionalität der fusionierten Darstellung verringern können, wurde der vollständige fusionierte Merkmalsvektor absichtlich beibehalten, da seine Dimensionalität für den verwendeten RBF-SVM-Klassifikator rechentechnisch handhabbar bleibt und gleichzeitig die komplementären diagnostischen Informationen erhalten bleiben, die von den verschiedenen CNN-Backbones extrahiert wurden. Dieses Design priorisiert somit die Beibehaltung komplementärer tiefer Darstellungen gegenüber der Eliminierung potenziell informativer Merkmale vor der Klassifizierung.

Datenaufbereitung
Die Datenaufbereitung umfasste die Vorverarbeitung und die Aufteilung des Datensatzes in Trainings- und Testmengen. Die Vorverarbeitung zielt darauf ab, die Datenqualität zu verbessern, indem Inkonsistenzen beseitigt, doppelte Elemente entfernt, Eingabebilder formatiert und eine Merkmalsskalierung zur stabilen Erstellung eines guten Modells durchgeführt wird. Alle Bilder wurden mithilfe der Z-Score-Normalisierung auf den Bereich [−1, 1] normalisiert:

Formel für normierten Wert (X-μ)/σ, statistisches Konzept, Gleichungsdiagramm (2)

wobei µ und σ für den Mittelwert und die Standardabweichung des entsprechenden Bildes stehen. Der Datensatz wurde in zwei Teilmengen aufgeteilt, und zwar in einen Trainingsdatensatz (70,0 %) und einen Testdatensatz (30,0 %).

Datenaugmentierung
Um eine Überanpassung zu vermeiden und die Verallgemeinerungsfähigkeit des Modells zu verbessern, wurden einige Erweiterungen für den Trainingsdatensatz verwendet. Bei der Bildaugmentierung werden Bilder verändert, um den Datensatz künstlich zu erweitern, ohne wesentliche Merkmale medizinischer Zustände zu verändern. Die Augmentierungspipeline wurde mithilfe der Keras Sequential-API erstellt. Dabei wurden Transformationen wie zufälliges horizontales Spiegeln, Drehung um einen kleinen Winkel, Änderung der Bildgröße, Skalierung, Anpassung von Helligkeit und Kontrast, Zoomen sowie einige geringfügige Verschiebungen angewendet. Repräsentative Beispiele augmentierter Bilder sind in Abbildung 3 dargestellt.

Vortrainierte Modelle
Mehrere vortrainierte Deep-Learning-Modelle wurden in dem vorgeschlagenen Framework zur Merkmalsextraktion aus Eingabebildern verwendet. Zu diesen Modellen gehören MobileNet, ResNet50, EfficientNetB0, Xception, NASNetLarge, Inception-ResNet-v2 und MobileNetV2. MobileNet und MobileNetV2 sind leichte Deep-Learning-Modelle, die aufgrund ihrer effizienten Berechnungen auf tiefenweisen separablen Faltungen basieren. ResNet50 verwendet das Prinzip residueller Verbindungen, um das Modell zu trainieren und somit das Problem verschwindender Gradienten während des Trainings zu vermeiden. EfficientNetB0 erreicht durch die Methode der zusammengesetzten Skalierung ein Gleichgewicht zwischen Effizienz und Genauigkeit. Xception erweitert das Inception-Netzwerk unter Verwendung tiefenweiser separabler Faltungen. NASNetLarge nutzt eine neuronale Architekturentwicklung, um optimale tiefe neuronale Netzwerkstrukturen zu erstellen, während Inception-ResNet-v2 eine Hybridstruktur aus dem Inception-Modell und dem Mechanismus residueller Verbindungen bildet. Die aus ResNet50 (1.024 Merkmale), EfficientNetB0 (1.280 Merkmale), MobileNet (1.024 Merkmale) und Xception (2.048 Merkmale) extrahierten Merkmalsvektoren werden verkettet, um eine einheitliche, 5.376-dimensionale Repräsentation zu erzeugen. Diese Fusionsstrategie wurde gewählt, um komplementäre Repräsentationen zu erhalten, die von den verschiedenen CNN-Architekturen gelernt wurden, anstatt die Repräsentation vor der Klassifizierung zu reduzieren. Der resultierende Merkmalsvektor wird anschließend dem RBF-SVM-Klassifikator zugeführt, der die optimale nichtlineare Entscheidungsgrenze im fusionierten Merkmalsraum bestimmt.

Erklärbares KI-Modell (LIME)
Um eine lokale Interpretierbarkeit der Modellvorhersagen zu ermöglichen, verwenden die Autoren die Methode zur Erzeugung lokaler, menschenlesbarer Erklärungen für jede einzelne Modellvorhersage, bekannt als LIME47. Für jedes Eingabebild unterteilt LIME dieses zunächst in kleinere Einheiten, sogenannte Superpixel. Anschließend werden Störungen (Perturbationen) aus dem ursprünglichen Bild erzeugt, und die Vorhersagen des tiefen neuronalen Modells werden für jede dieser Störungen geschätzt. Danach wird ein gewichtetes lineares Modell auf die Störungen angepasst, wobei die Gewichtung von deren Nähe zur ursprünglichen Eingabeinstanz abhängt. Nach der Anpassung des linearen Modells werden die Wichtigkeitsscores der Merkmale geschätzt, die die Rolle jedes Superpixels bei der Vorhersage der endgültigen Kategorie anzeigen. Diese Wichtigkeitsscores werden visuell in dem endgültigen Erklärungsbild hervorgehoben. Der LIME-Algorithmus ist in Supplementärdatei 2 dargestellt.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

Die Leistungsbeurteilung des entwickelten Klassifizierungsrahmens basiert auf traditionellen Evaluationsmaßen, die sich aus der Konfusionsmatrix ergeben. Eine Konfusionsmatrix ermöglicht ein vollständiges Verständnis der Klassifiziererleistung, indem sie die Anzahl der richtigen und falschen Klassifizierungen für jede definierte Klasse darstellt. Auf diese Weise können alle Fehlerarten analysiert werden. Beispielsweise sind sowohl falsch positive als auch falsch negative Ergebnisse bei der Diagnose von Krankheiten besond...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

Der vorgeschlagene erklärbare Deep-Learning-Ansatz zur Klassifizierung von Hautläsionen (EDLF-SLC) zeigt, dass die Kombination komplementärer, tiefer Merkmalsdarstellungen mit erklärbarer künstlicher Intelligenz sowohl die Klassifizierungsleistung als auch die Transparenz des Modells verbessern kann. Durch die Integration mehrerer vorab trainierter CNN-Architekturen (ResNet50, EfficientNetB0, MobileNet und Xception) zur Merkmalsextraktion sowie den Einsatz einer Support-Vektor-Maschine (SVM) zur endgültigen Klassifizieru...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Die Autoren erklären, dass kein Interessenkonflikt besteht.

Danksagungen

Die Autoren möchten der Taif University aufrichtig dafür danken, dass sie das Forschungsumfeld und die institutionelle Unterstützung bereitgestellt hat, die zur Fertigstellung dieser Arbeit beigetragen haben.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
ISIC 2020 Hautläsions-DatensatzInternational Skin Imaging Collaboration (ISIC)ISIC 2020 Challenge-DatensatzDermoskopischer Bilddatensatz zur Modellentwicklung und -evaluierung verwendet.
KerasKeras-TeamIntegration mit TensorFlowErstellung und Training von Deep-Learning-Modellen.
LIME (Local Interpretable Model-Agnostic Explanations)Ribeiro et al.Python-PaketErzeugung lokaler visueller Erklärungen für Modellvorhersagen.
MatplotlibMatplotlib-EntwicklerNeueste kompatible VersionVisualisierung von Lernkurven, Konfusionsmatrizen und Evaluationsdiagrammen.
NumPyNumPy-EntwicklerNeueste kompatible VersionNumerische Berechnungen und Array-Manipulation.
NVIDIA Tesla T4 GPUNVIDIA Corporation16 GB VRAMBeschleunigung von Modelltraining und Inferenz.
PandasPandas-EntwicklungsteamNeueste kompatible VersionDatenverarbeitung und Verwaltung experimenteller Ergebnisse.
Vortrainierte CNN-ModelleTensorFlow/Keras ApplicationsResNet50, EfficientNetB0, MobileNet, XceptionTiefen Merkmalsextraktion aus dermoskopischen Bildern.
PythonPython Software FoundationVersion 3.9Programmiersprache für die Implementierung verwendet.
PyTorchPyTorch FoundationVersion 2.3.1Deep-Learning-Framework für Merkmalsextraktion und Modellimplementierung.
Scikit-learnScikit-learn-EntwicklerNeueste kompatible VersionSupport Vector Machine (SVM), Evaluationsmetriken und Daten-Preprocessing.
Support Vector Machine (RBF-Kernel)Scikit-learnSVCKlassifizierung fusionierter tiefen Merkmalsrepräsentationen.
TensorFlowGoogle LLCVersion 2.xDeep-Learning-Framework für Modelltraining und Inferenz.
Ubuntu-BetriebssystemCanonical Ltd.Ubuntu 20.04Experimentelles Betriebsumfeld.

Referenzen

  1. Chan S, Reddy V, Myers B, Thibodeaux Q, Brown-Stone N, Liao W. Machine learning in dermatology: current applications, opportunities, and limitations. Dermatol Ther (Heidelb). 2020;10:365-386.
  2. Olsen CM. Global trends in melanoma mortality differ by sex and age. Br J Dermatol. 2020;183(6):985-986.
  3. Sun Y, Shen Y, Liu Q, Zhang H, Jia L, Chai Y, et al. Global trends in melanoma burden: a comprehensive analysis from the Global Burden of Disease Study, 1990-2021. J Am Acad Dermatol. 2025;92(1):100-107.
  4. Monika MK, Vignesh NA, Kumari CU, Kumar M, Lydia EL. Skin cancer detection and classification using machine learning. Mater Today Proc. 2020;33:4266-4270.
  5. Hosny KM, Elshora D, Mohamed ER, Vrochidou E, Papakostas GA. Deep learning and optimization-based methods for skin lesions segmentation: a review. IEEE Access. 2023.
  6. Baghdadi NA, Farghaly Abdelaliem SM, Malki A, Gad I, Ewis A, Atlam ES. Advanced machine learning techniques for cardiovascular disease early detection and diagnosis. J Big Data. 2023;10(1):144.
  7. Veeramani N, Jayaraman P, Krishankumar R, Ravichandran KS, Gandomi AH. DDCNN-F: double decker convolutional neural network feature fusion as a medical image classification framework. Sci Rep. 2024;14(1).
  8. Veeramani N, Jayaraman P. YOLOv7-XAI: multiclass skin lesion diagnosis using explainable artificial intelligence with fair decision making. Int J Imaging Syst Technol. 2024;34(6).
  9. Shetty B, Fernandes R, Rodrigues AP, Chengoden R, Bhattacharya S, Lakshmanna K. Skin lesion classification of dermoscopic images using machine learning and convolutional neural network. Sci Rep. 2022;12(1):18134.
  10. Ali AR, Li J, Yang G, O'Shea SJ. A machine learning approach to automatic detection of irregularity in skin lesion border using dermoscopic images. PeerJ Comput Sci. 2020;6:e268.
  11. Pham TTH, Luu TN, Nguyen TV, Huynh NT, Phan QH, Le TH. Polarimetric imaging combining optical parameters for classification of mice non-melanoma skin cancer tissue using machine learning. Heliyon. 2023;9(11).
  12. Liu N, Rejeesh M, Sundararaj V, Gunasundari B. ACO-KELM: anti coronavirus optimized kernel-based softplus extreme learning machine for classification of skin cancer. Expert Syst Appl. 2023;232:120719.
  13. Masud M, Almars AM, Rokaya MB, Meshref H, Gad I, Atlam ES. A novel lightweight convolutional neural network model to predict Alzheimer's disease applying weighted loss function. J Disabil Res. 2024;3(4):20240042.
  14. Kumar A, Veeraiah V, Gongada TN, Ahamad S, Khan H, Gupta A. Explainable machine learning models for clinical decision support systems. In: 2024 15th International Conference on Computing Communication and Networking Technologies (ICCCNT). Piscataway (NJ): IEEE; 2024. p. 1-6.
  15. Shahzad K, Wasim M, Pires IM, Garcia NM. Multi-classification of skin lesions using a deep learning-based convolutional neural network. Procedia Comput Sci. 2024;241:588-593.
  16. Celebi ME, Kingravi HA, Uddin B, Iyatomi H, Aslandogan YA, Stoecker WV, et al. A methodological approach to the classification of dermoscopy images. Comput Med Imaging Graph. 2007;31(6):362-373.
  17. Li CX, Shen CB, Xue K, Shen X, Jing Y, Wang ZY, et al. Artificial intelligence in dermatology: past, present, and future. Chin Med J (Engl). 2019;132(17):2017-2020.
  18. Ramprasad M, Nagesh S, Sahith V, Lankalapalli RK. Hierarchical agglomerative clustering based skin lesion detection with region-based neural networks classification. Meas Sens. 2023;29:100865.
  19. Khater T, Ansari S, Mahmoud S, Hussain A, Tawfik H. Skin cancer classification using explainable artificial intelligence on pre-extracted image features. Intell Syst Appl. 2023;20:200275.
  20. Wang H, Ahn E, Bi L, Kim J. Self-supervised multi-modality learning for multi-label skin lesion classification. Comput Methods Programs Biomed. 2025;265:108729.
  21. Thapar P, Rakhra M, Alsaadi M, Quraishi A, Deka A, Naga Ramesh JV. A hybrid grasshopper optimization algorithm for skin lesion segmentation and melanoma classification using deep learning. Healthc Anal. 2024;5:100326.
  22. Kumar S, Nath VK, Hazarika D. Blend of deep features and binary tree growth algorithm for skin lesion classification. Symmetry (Basel). 2023;15(12):2213.
  23. Chandrahaas BV, Mohanty SN, Panda SK, et al. An empirical study on classification of monkeypox skin lesion detection. EAI Endorsed Trans Pervasive Health Technol. 2023;9:e4.
  24. Talavera-Martínez L, Bibiloni P, Giacaman A, Taberner R, de Paz Hernando LJD, González-Hidalgo M. A novel approach for skin lesion symmetry classification with a deep learning model. Comput Biol Med. 2022;145:105450.
  25. Ieracitano C, Morabito FC, Hussain A, Suffian M, Mammone N. TIXAI: a trustworthiness index for explainable artificial intelligence in skin lesion classification. Neurocomputing. 2025;630:129701.
  26. Hasan MK, Elahi MTE, Alam MA, Jawad MT, Martí R. DermoExpert: skin lesion classification using a hybrid convolutional neural network through segmentation, transfer learning, and augmentation. Inform Med Unlocked. 2022;28:100819.
  27. Koparde S, Kotwal J, Deshmukh S, Adsure S, Chaudhari P, Kimbahune V. Conditional generative adversarial networks and YOLOv5 Darknet-based skin lesion localization and classification using an independent component analysis model. Inform Med Unlocked. 2024;47:101515.
  28. Padhy S, Dash S, Kumar N, Singh SP, Kumar G, Moral P. Temporal integration of ResNet features with LSTM for enhanced skin lesion classification. Results Eng. 2025;25:104201.
  29. Xin C, Liu Z, Ma Y, Wang D, Zhang J, Li L, et al. Transformer-guided self-adaptive network for multi-scale skin lesion image segmentation. Comput Biol Med. 2024;169:107846.
  30. Sulthana R, Chamola V, Hussain Z, Albalwy F, Hussain A. A novel end-to-end deep convolutional neural network-based skin lesion classification framework. Expert Syst Appl. 2024;246:123056.
  31. Chamarthi S, Fogelberg K, Brinker TJ, Niebling J. Mitigating the influence of domain shift in skin lesion classification: a benchmark study of unsupervised domain adaptation methods. Inform Med Unlocked. 2024;44:101430.
  32. Maity S, Paul S, Guha S, Dasgupta S, Ghosh M. Automated classification of monkeypox skin lesions using a hybrid deep learning model. Biomed Signal Process Control. 2026;126:110955.
  33. Nasir S, Bilal M, Khalidi H. Detection and classification of skin cancer by using CNN-enabled cloud storage data access control algorithm based on blockchain technology. Int J Theor Appl Comput Intell. 2025:145-169.
  34. Saba T. Computer vision for microscopic skin cancer diagnosis using handcrafted and non-handcrafted features. Microsc Res Tech. 2021;84(6):1272-1283.
  35. Fayyad J, Alijani S, Najjaran H. Empirical validation of conformal prediction for trustworthy skin lesion classification. Comput Methods Programs Biomed. 2024;253:108231.
  36. Liu P, Qian W, Li H, Cao J. A relationship-aware mutual learning method for lightweight skin lesion classification. Digit Commun Netw. 2025;11(3):603-612.
  37. Adla D, Reddy GVR, Nayak P, Karuna G. A full-resolution convolutional network with a dynamic graph cut algorithm for skin cancer classification and detection. Healthc Anal. 2023;3:100154.
  38. Thamizhamuthu R, Maniraj SP. Deep learning-based dermoscopic image classification system for robust skin lesion analysis. Trait Signal. 2023;40(3).
  39. Di Giammarco M, Santone A, Cesarelli M, Martinelli F, Mercaldo F. A method for skin lesion detection and localization by means of deep learning and reliable prediction explainability. Image Vis Comput. 2025;162:105675.
  40. Haq IU, Joarder HA, Khan AA, Shi X, Alsayaydeh JAJ, Yusof MFB, et al. XAAI-ledger: an explainable CNN-transformer-based multimodal deep learning framework for early detection of melanoma and non-melanoma skin cancers using dermoscopic and clinical data. Biomed Signal Process Control. 2026;123:110410.
  41. Saeed K, Shehzad M, Malik MGA, Ahmed S, Azar AT. TransXV2S-NET: a novel hybrid deep learning architecture with dual-contextual graph attention for multi-class skin lesion classification. Knowl Based Syst. 2026;337:115407.
  42. AbuAlkebash H, Saleh RAA, Ertunç HM. Automated explainable deep learning framework for multiclass skin cancer detection and classification using hybrid YOLOv8 and vision transformer (ViT). Biomed Signal Process Control. 2025;108:107934.
  43. Hasan MK, Ahamad MA, Yap CH, Yang G. A survey, review, and future trends of skin lesion segmentation and classification. Comput Biol Med. 2023;155:106624.
  44. Li H, Pan Y, Zhao J, Zhang L. Skin disease diagnosis with deep learning: a review. Neurocomputing. 2021;464:364-393.
  45. Wu Y, Chen B, Zeng A, Pan D, Wang R, Zhao S. Skin cancer classification with deep learning: a systematic review. Front Oncol. 2022;12:893972.
  46. Fanconic. Skin cancer: malignant vs benign dataset. Kaggle; 2023. Available from: https://www.kaggle.com/datasets/fanconic/skin-cancer-malignant-vs-benign
  47. Ribeiro MT, Singh S, Guestrin C. "Why should I trust you?": Explaining the predictions of any classifier. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD '16). New York (NY): ACM; 2016. p. 1135-1144.
  48. Bassel A, Abdulkareem AB, Alyasseri ZAA, Sani NS, Mohammed HJ. Automatic malignant and benign skin cancer classification using a hybrid deep learning approach. Diagnostics (Basel). 2022;12(10):2472.
  49. Bhardwaj A, Rege PP. Skin lesion classification using deep learning. In: Advances in Signal and Data Processing: Select Proceedings of ICSDP 2019. Singapore: Springer; 2021. p. 575-589.
  50. Keerthana D, Venugopal V, Nath MK, Mishra M. Hybrid convolutional neural networks with SVM classifier for classification of skin cancer. Biomed Eng Adv. 2023;5:100069.
  51. Ahmed A, Siam AI, Atwa MA, Atwa EM, Abdelrahim EM, Atlam ES. An explainable YOLO-based deep learning framework for pneumonia detection from chest X-ray images. Algorithms. 2025;18(11):703.
  52. Farsi M, ZainEldin H, Sayed RF, El-Agamy ES, Atlam SA, Alsaedi M, et al. Deep learning for pathology: YOLOv8 with EigenCAM for reliable colorectal cancer diagnostics. Bioengineering (Basel). 2025;12(11):1203.
  53. Atwa EA, Atlam ES, Ahmed A, Atwa MA, Abdelrahim EM, Siam AI. Interpretable deep learning models for arrhythmia classification based on ECG signals using the PTB-XL dataset. Diagnostics (Basel). 2025;15(15):1950.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Weitere Artikel entdecken

Erklärbare KIkonvolutionale neuronale NetzeSupport-Vector-MachineModellinterpretierbarkeitMerkmalsfusionvortrainiertes CNNLIME-ErklärungenKrankheitsdiagnose
Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.