Melanoma skin cancer is one of the most common diseases in the world. It is essential to diagnose melanoma at an early stage. Visual inspection during the medical examination of skin lesions is not a simple task, as there is a similarity between lesions. Also, medical experience and disposition can result in inaccurate diagnoses. Technologies such as the Internet of Things (IoT) have helped to create effective health systems. Doctors can use them anywhere, with the guarantee that more people can be diagnosed without prejudice to subjective factors. Transfer Learning and Deep Learning are increasingly significant in the clinical diagnosis of different diseases. This work proposes the use of Transfer Learning and Deep Learning in an IoT system to assist doctors in the diagnosis of common skin lesions, typical nevi, and melanoma. This work uses Convolutional Neural Networks (CNNs) as resource extractors. The CNN models used were: Visual Geometry Group (VGG), Inception, Residual Networks (ResNet), Inception-ResNet, Extreme Inception (Xception), MobileNet, Dense Convolutional Network (DenseNet), and Neural Architecture Search Network (NASNet). For the classification of injuries, the Bayes, Support Vector Machines (SVM), Random Forest (RF), Perceptron Multilayer (MLP), and the K-Nearest Neighbors (KNN) classifiers are used. This study used two datasets: the first provided by the International Skin Imaging Collaboration (ISIC) at the International Biomedical Imaging Symposium (ISBI); the second is PH². For ISBI-ISIC, this study examined lesions between nevi and melanomas. In PH², this work analyzed the diagnosis based on lesions of common nevus, atypical nevi, and melanomas. The DenseNet201 extraction model, combined with the KNN classifier achieved an accuracy of 96.805% for the ISBI-ISIC dataset and 93.167% for the PH². Thus, an approach focused on the IoT system is reliable and efficient for doctors who assist in the diagnosis of skin lesions.

黑色素瘤皮肤癌是世界上最常见的疾病之一。早期诊断黑色素瘤至关重要。皮肤病变的医学检查期间，目视检查不是一项简单的任务，因为病变之间存在相似之处。同样，医疗经验和处置可能会导致诊断不准确。物联网（IoT）等技术已帮助创建有效的卫生系统。医生可以在任何地方使用它们，并保证可以在不影响主观因素的情况下诊断出更多的人。转移学习和深度学习在不同疾病的临床诊断中越来越重要。这项工作建议在物联网系统中使用转移学习和深度学习，以帮助医生诊断常见的皮肤病变，典型的痣和黑色素瘤。这项工作使用卷积神经网络（CNN）作为资源提取器。使用的CNN模型是：视觉几何组（VGG），初始，残差网络（ResNet），初始-ResNet，极端初始（Xception），MobileNet，密集卷积网络（DenseNet）和神经体系结构搜索网络（NASNet）。对于伤害的分类，使用了贝叶斯，支持向量机（SVM），随机森林（RF），感知器多层（MLP）和K最近邻（KNN）分类器。这项研究使用了两个数据集：第一个数据集是由国际皮肤影像协作组织（ISIC）在国际生物医学影像研讨会（ISBI）上提供的；第二个是 极限自觉（Xception），MobileNet，密集卷积网络（DenseNet）和神经体系结构搜索网络（NASNet）。对于伤害的分类，使用了贝叶斯，支持向量机（SVM），随机森林（RF），感知器多层（MLP）和K最近邻（KNN）分类器。这项研究使用了两个数据集：第一个数据集是由国际皮肤影像协作组织（ISIC）在国际生物医学影像研讨会（ISBI）上提供的；第二个是 极限自觉（Xception），MobileNet，密集卷积网络（DenseNet）和神经体系结构搜索网络（NASNet）。对于伤害的分类，使用了贝叶斯，支持向量机（SVM），随机森林（RF），感知器多层（MLP）和K最近邻（KNN）分类器。这项研究使用了两个数据集：第一个数据集是由国际皮肤影像协作组织（ISIC）在国际生物医学影像研讨会（ISBI）上提供的；第二个是 第一个由国际皮肤影像协作组织（ISIC）在国际生物医学影像研讨会（ISBI）上提供；第二个是 第一个由国际皮肤成像协作组织（ISIC）在国际生物医学成像研讨会（ISBI）上提供；第二个是PH ²。对于ISBI-ISIC，这项研究检查了痣和黑色素瘤之间的病变。在PH ^2中，这项工作分析了基于常见痣，非典型痣和黑色素瘤病变的诊断。DenseNet201提取模型与KNN分类器结合使用时，ISBI-ISIC数据集的准确度达到96.805％，PH ²的准确度达到93.167％。因此，专注于物联网系统的方法对于协助诊断皮肤病变的医生是可靠且有效的。