基于深度学习的轻量级MobileNetV3人工智能方法智能检测指甲疾病

《Results in Engineering》:Intelligent Detection of Nail Diseases Using an AI-Powered Approach

【字体: 大 中 小 】 时间:2026年03月17日 来源:Results in Engineering 9.4

编辑推荐:

  摘要:指甲异常可提供与各种健康状况相关的视觉线索;然而,其在常规临床实践中的评估往往是主观且不一致的。本研究提出一种基于轻量级MobileNetV3的迁移学习(Transfer Learning)方法,用于利用深度学习(Deep Learning)自动分类指甲

  
摘要:指甲异常可提供与各种健康状况相关的视觉线索;然而,其在常规临床实践中的评估往往是主观且不一致的。本研究提出一种基于轻量级MobileNetV3的迁移学习(Transfer Learning)方法,用于利用深度学习(Deep Learning)自动分类指甲状况。研究使用包含四类(正常(normal)、色素沉着过度(hyperpigmentation)、杵状指(clubbing)及真菌感染(fungal infection))共280张指甲图像的数据集。为确保可靠评估,数据集在训练前按原始图像级别划分,且数据增强(Data Augmentation)仅应用于训练集。研究人员在同一实验协议下评估了六种迁移学习模型,包括VGG16、ResNet50、DenseNet201、InceptionV3、Vision Transformer(ViT)及轻量级MobileNetV3。实验结果表明,所提出的轻量级MobileNetV3在独立测试集上取得最高性能,准确率达99%同时保持轻量架构。这些发现凸显了所提轻量级MobileNetV3在有限数据约束下基于图像的指甲状况分类的有效性,并表明其潜在适用于资源高效、筛查导向的应用。所提出系统旨在作为决策支持工具而非诊断替代方案。
论文解读:基于轻量级MobileNetV3迁移学习的指甲疾病智能检测研究
研究背景与动机
指甲异常可反映潜在全身性疾病,但常规临床靠医师肉眼检查具有主观性强、一致性差、漏诊率高的局限,尤其对早期细微改变难以辨别。现有自动化指甲疾病分类研究多受限于小样本量、评估协议不一致及过度关注整体准确率而忽视泛化能力与类别的表现。因此,研究人员开展了基于深度卷积神经网络(Convolutional Neural Network, CNN)迁移学习(Transfer Learning)的指甲四分类研究,旨在构建轻量、高效且适合移动端部署的辅助筛查模型。该论文发表于《Results in Engineering》。
主要关键技术方法
研究人员采用Kaggle公开人指甲疾病数据集,含正常(normal)、色素沉着过度(hyperpigmentation)、杵状指(clubbing)、指甲真菌病(fungal infection)共4类280张原始图像。原始图像按个体级别以8:2划分为训练集与测试集,仅对训练集实施数据增强(Data Augmentation)(旋转、水平翻转、随机裁剪、亮度调整),生成约6717张训练图像。研究人员选用六种预训练模型——VGG16、ResNet50、DenseNet201、InceptionV3、Vision Transformer(ViT)及轻量级MobileNetV3(输入224×224,32层),统一冻结主干特征提取层,仅微调分类头,采用Adam优化器(学习率1×10-4,批次大小32,最大20轮,早停)。以独立测试集(未参与训练与增强的原始图像)评估准确率(Accuracy)、精确率(Precision)、召回率(Recall/Sensitivity)、特异度(Specificity)及F1分数(F1-score)。
研究结果
5.1. Conclusive Output of Deep Learning Models(深度学习模型最终输出)
研究人员绘制六模型混淆矩阵,MobileNetV3在独立测试集上无错分或极少错分,VGG16与InceptionV3出现较多跨类误判。
5.2. Exploring the Diversity of Deep Learning Models Results(深度学习模型结果多样性分析)
六模型对比显示:MobileNetV3测试准确率99%、Precision 99%;DenseNet201与ResNet50及ViT均为91%~93%;InceptionV3为89%;VGG16为87%。MobileNetV3训练与验证损失曲线贴合良好,未见明显过拟合。
5.3. Per-class performance of proposed lightweight MobileNetV3(轻量级MobileNetV3逐类性能)
逐类指标:Normal——Precision 98%,Recall 99%,F1-score 98%(Support 20);Hyperpigmentation——97%、98%、96%(20);Clubbing——99%、96%、95%(19);Fungus——90%、92%、89%(20)。
5.4. Performance evaluation(性能评估)
给出Sensitivity = TP/(TP+FN)、Specificity = TN/(TN+FP)、Accuracy = (TP+TN)/(TP+TN+FP+FN)、Precision = TP/(TP+FP)、F1-score = 2×(Precision×Recall)/(Precision+Recall)计算公式,确认MobileNetV3在独立测试集达99%准确率。
5.5. Error Analysis(错误分析)
最常见误判为健康指甲与早期真菌感染互判(外观相似),色素沉着过度与杵状指误判较少(形态差异明显)。假阴性(感染判为正常)是筛查应用需关注的风险。
讨论与结论翻译
本研究开发了一种基于指甲纹理模式分类疾病的系统,所提轻量级MobileNetV3结合迁移学习实现99%分类准确率,优于既往文献中DenseNet201的96.39%,证明其在计算资源受限时对医学图像分类的有效性。尽管原始数据仅280张且未经多中心临床标注验证、未在多样光照/肤色/手机摄像条件下外部验证,结果仍需大样本多族群数据进一步确认,但轻量架构具备移动端辅助筛查潜力,可为皮肤科医生提供早筛决策支持。研究人员指出局限性包括小样本过拟合风险、公开数据集标注未经皮肤科专家核实、缺乏k折交叉验证与统计显著性检验、未做外部验证。未来工作将扩充多样人群真实场景数据、开展移动端App可用性研究及多次运行统计验证。
代码已开源:https://github.com/falakniaz/Nail-Diseases-classification.git
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号