AVTOMATLASHTIRILGAN DERMOSKOPIK TASVIR TASNIFI UCHUN CHUQUR O‘RGANISH ARXITEKTURALARINING QIYOSIY TAHLILI: KO‘P MODELLI BAHOLASH TIZIMI

Abstract

Teri saratoni butun dunyo bo‘ylab saraton kasalligining eng keng tarqalgan shakllaridan biri bo‘lib qolmoqda, dermoskopik tasvirlash erta tashxis qo‘yish uchun muhim vosita bo‘lib xizmat qiladi. Ushbu tadqiqot HAM10000 ma’lumotlar to‘plamidan foydalangan holda avtomatlashtirilgan dermoskopik tasvir tasnifi uchun to‘rtta alohida chuqur o‘rganish arxitekturasining keng qamrovli qiyosiy tahlilini taqdim etadi. Biz (1) ko‘pchilik ovoz berish bilan bir nechta EfficientNet-B0 modellaridan foydalanadigan CNN ansambli yondashuvini, (2) chuqur xususiyatlarni ajratib olishni gradientni kuchaytirish bilan birlashtirgan gibrid ConvMixer-CatBoost arxitekturasini, (3) tasvir xususiyatlarini klinik metama’lumotlar bilan integratsiya qiluvchi multimodal kech birlashma tarmog‘ini va (4) Vision Transformer (ViT) va ResNet50 ni o‘zaro diqqat mexanizmlari bilan qo‘llaydigan yangi arxitektura MedFusionNet ni baholaymiz. Bizning eksperimental natijalarimiz shuni ko‘rsatadiki, CNN ansambli eng yuqori AUC-ROC ga 0,9347 ga erishadi, ConvMixer-CatBoost gibridi esa eng yuqori aniqlikdagi 73,01% ga erishadi va har bir tasvir uchun eng tez xulosa chiqarish vaqti 2,64 ms ni tashkil qiladi. Multimodal yondashuvlar ozchilik sinflarida yaxshilangan samaradorlikni ko‘rsatadi, bu klinik metama’lumotlar integratsiyasining ahamiyatini ta’kidlaydi. Ushbu topilmalar diagnostika aniqligi, hisoblash samaradorligi va talqin qilinishi o‘rtasidagi murosani hisobga olgan holda, klinik dermatologiya ish oqimlariga chuqur o‘rganish tizimlarini joriy etish bo‘yicha amaliy ko‘rsatmalar beradi.