移动设备上的机器学习：用于皮肤癌检测的设备上推理应用程序
移动健康（mHealth）被认为是无处不在的医疗应用提供健康信息的最具变革性的驱动力之一。事实证明，机器学习是对医学图像进行分类以检测各种疾病的强大工具。但是，监督式机器学习需要大量数据来训练模型，其存储和处理给移动应用程序带来了相当大的系统需求挑战。因此，许多研究专注于部署基于云的机器学习，该技术利用Internet连接将数据密集型计算外包。
但是，这种方法具有某些缺点：
? 延迟：基于云的服务响应客户端请求需要花费时间。
? 隐私：隐私问题可能会通过将敏感数据发送到云而引起，特别是在医疗和健康应用程序的情况下。
? 成本：基于云的方法会从云服务提供商处产生财务成本。
? 连接性：网络连接对于运行基于云的应用程序必不可少，但是基于云的服务可能并不总是可用。
? 定制：通常，云服务基于其通用数据集提供通用模型。这些模型可能不适用于特定的健康问题或无法针对特定的健康问题进行定制。
为了应对mHealth应用程序的这些挑战，我们提供了一个设备上推理应用程序。
用于皮肤癌检测的设备上推断
我们通过在功能强大的计算机上执行训练阶段并在移动设备上执行推理阶段来解决此问题。分类模型被预先训练并存储在移动设备上，该模型用于执行新数据的分类，因此不需要在外部共享。然后将模型部署在进行推断过程的移动设备上，即，当显示新的测试图像时，所有计算将在本地执行，而保留测试数据
用于皮肤癌检测的CNN架构
卷积和合并层通过捕获图像的一般特征来执行特征提取。完全连接的层根据给定的特征为输入图像分配概率。
数据扩充
自动处理皮肤图像的困难之一是图像可能在多种条件下（例如，亮度，角度，焦距）拍摄，这使得图像的比较和相关特征的识别变得困难。为了最大程度地减少图像参数对分类模型的影响，我们引入了数据增强功能，在我们的案例中，该数据增强功能通过从现有图像的中心随机旋转，缩放，移动和裁剪来生成新图像。然后，这些其他图像可用于加强训练。
模型转换并将预训练的模型集成到App中
这种设备上的推理方法大大减少了等待时间。它提高了隐私性，因为它不需要患者将图像发送到第三方云服务。它消除了运行和维护云服务的开销和成本。
我们方法的主要局限性在于，由于离线模型已集成在应用程序中，因此预训练模型不容易更新。

关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！