МУЛЬТИМОДАЛЬНАЯ КЛАССИФИКАЦИЯ КОЖНЫХ НОВООБРАЗОВАНИЙ С ИСПОЛЬЗОВАНИЕМ ГЛУБОКОГО ОБУЧЕНИЯ

Аннотация

В статье рассматриваются современные методы машинного обучения, применимые к задаче автоматизированной классификации кожных заболеваний по дермоскопическим изображениям. Особое внимание уделено архитектурам свёрточных нейронных сетей и использованию трансферного обучения с предобученными моделями. В качестве экспериментальной базы использован общедоступный набор данных HAM10000, включающий изображения семи типов кожных новообразований, а также клинические метаданные пациентов (пол, возраст и локализация).

В ходе исследования реализованы и протестированы несколько моделей. Базовая свёрточная нейронная сеть (CNN), обученная с нуля, показала ограниченные результаты, достигая точности около 39%. Улучшенная модель CNN с балансировкой классов обеспечила более высокую точность (73%), но по-прежнему имела ограничения при классификации редких и визуально схожих категорий. Наилучшие показатели продемонстрировала модель MobileNetV2, использующая трансферное обучение и интеграцию клинических метаданных. Достигнута тестовая точность 81%, при этом полнота (recall) для меланомы выросла с 0.38 в базовой CNN до 0.60, что существенно снижает вероятность пропуска наиболее опасного заболевания.

Для интерпретации решений применялась методика Grad-CAM, позволившая визуализировать области внимания модели и выявить причины ошибок. Полученные результаты подтверждают перспективность применения глубокого обучения в задачах поддержки принятия решений в дерматологии и подчёркивают необходимость дальнейшей клинической валидации и расширения базы данных.