基于分数鹅颈藤壶优化集成分类器的皮肤癌临床决策支持系统

《Computational Biology and Chemistry》：A Clinical Decision Support System for Skin Cancer Classification using Fractional Gooseneck Barnacle-Enabled Ensemble Classifier

本文提出一种创新的皮肤癌分类方法FGBO_Ensemble Classifier，通过集成SpinalNet、QDCNN和DKN三种网络架构，并采用融合分数微积分（FC）的鹅颈藤壶优化算法（GBO）进行参数调优。该方法在图像去噪（小波变换）、病灶分割（Tversky_CA-Net）和特征提取后实现分类，各项评估指标（准确率92.82%，敏感性93.54%等）表明其能有效提升诊断精度，为皮肤癌早期筛查提供自动化解决方案。

　　

Highlight

皮肤癌分类涉及通过定期皮肤自检识别异常增生，密切观察大小、形状或颜色的变化。通过专业筛查和监测实现的早期检测可以显著提高成功治疗的机会。皮肤癌分类的一些挑战包括对早期预警信号缺乏认识，这通常导致诊断延迟。为了解决这些局限性，本文提出了一种名为FGBO_Ensemble Classifier的方法用于皮肤癌分类。

Motivation

皮肤癌的分类对于早期诊断至关重要，但准确识别和分类皮肤病变仍然是一个巨大的挑战。这是因为病变彼此之间可能看起来非常不同，并且某些病症彼此相似。此外，标记数据量有限，并且微调深度学习（DL）模型可能很复杂。这些挑战推动了研究人员创建更好的模型，以提高皮肤癌分类的效率，这构成了本研究的动机。

Proposed Fractional Gooseneck Barnacle Optimization-enabled Ensemble classifier for skin cancer classification

皮肤癌分类涉及定期自我检查皮肤以识别任何异常增生，密切关注大小、形状或颜色的变化。通过专业筛查和监测实现的早期检测可以显著提高成功治疗的机会。皮肤癌分类的一些挑战包括对早期预警信号缺乏认识，这通常导致诊断延迟。为了解决这些局限性，本文提出了一种名为FGBO_Ensemble Classifier的方法用于皮肤癌分类。

Result and discussion

所设计的用于皮肤癌分类的FGBO_Ensemble Classifier的结果如下阐述。

Conclusion

皮肤癌由于过度暴露于太阳紫外线（UV）辐射而在皮肤细胞中形成。皮肤癌分类涉及定期自我检查以发现不寻常的痣或皮肤变化，并由皮肤科医生进行专业筛查以早期识别潜在的癌症迹象。皮肤癌分类的挑战包括需要专家解读以及区分良性和恶性增生的困难，尤其是在早期阶段。在这项工作中，所提出的FGBO_Ensemble Classifier被设计用于皮肤癌分类。