《Frontiers in Physiology》：Multimodal skin lesion classification for early cancer diagnosis using deep learning
编辑推荐：
本文系统综述了基于深度学习（DL）的皮肤病变分类技术，重点探讨了DenseNet201、VGG16和InceptionV3等卷积神经网络（CNN）架构在皮肤癌早期诊断中的应用。通过集成学习（Ensemble Learning）和梯度加权类激活映射（Grad-CAM）等可解释性人工智能（XAI）技术，显著提升了模型分类准确率（达97.9%）和临床可信度，为皮肤癌的自动化筛查提供了创新性解决方案。
引言
皮肤癌作为全球范围内最具危害性的恶性肿瘤之一，其中黑色素瘤（Melanoma）因黑色素细胞异常增殖而具有高致死风险。传统诊断依赖皮肤科专家肉眼观察、皮肤镜（Dermoscopy）检查和侵入性活检，存在主观性强、医疗资源分配不均等局限。近年来，深度学习（Deep Learning, DL）技术，特别是卷积神经网络（Convolutional Neural Networks, CNNs），在医学图像分类任务中展现出显著潜力，为皮肤病变的自动化、高精度诊断提供了新思路。
相关研究
多项研究已证实深度学习在皮肤癌诊断中的有效性。例如，Gururaj等（2023）利用DenseNet169和ResNet50架构在HAM10000数据集上实现了较高的分类准确率；Ichim和Popescu（2020）通过两级预测系统（生成对抗网络+ResNet/AlexNet）将 melanoma 检测精确度提升至97.5%。然而，现有方法仍面临类间不平衡、模型泛化能力不足及可解释性差等挑战。本文通过集成多种CNN架构并引入可解释性技术，旨在弥补上述研究空白。
材料与方法
数据集描述
本研究采用HAM10000数据集，包含约10,000张经组织病理学验证的皮肤镜图像，涵盖7类皮肤病变：黑色素瘤（Mel）、黑色素细胞痣（nv）、良性角化样病变（bkl）、基底细胞癌（bcc）、光化性角化病（Akira）、血管病变（vasc）和皮肤纤维瘤（df）。为杜绝数据泄露，所有属于同一病灶（lesion_id）的图像均被划分至同一数据子集（训练集70%、验证集10%、测试集20%）。
预处理与增强
预处理流程包括图像标准化（缩放至100×75像素）、高斯滤波去噪、直方图均衡化对比度增强及基于DullRazor方法的毛发去除。针对类间不平衡问题（如nv类占比近50%），采用生成对抗网络（GAN）和合成少数类过采样技术（SMOTE）进行数据扩增，将每类样本上限设定为3,500张，最终构建包含24,500张图像的平衡数据集。
分割与模型设计
病灶分割采用Otsu二值化阈值法，有效分离病灶与背景。模型构建基于三种预训练架构：DenseNet201、VGG16和InceptionV3，并采用两种微调策略：
- •
技术1：仅重训练顶层权重；
- •
技术2：冻结50%底层网络，添加自定义CNN层（如卷积层、池化层、Dropout层）后重训练。
最终通过软投票（Soft Voting）集成三个模型的概率输出，形成集成模型（Ensemble Model）。
模型训练与评估
使用Adam优化器（学习率0.00001）、分类交叉熵损失函数，在NVIDIA GPU上训练100个epoch（早停法patience=10）。评估指标包括准确率、精确率、召回率、F1分数和ROC曲线下面积（AUC），并采用5折组交叉验证（Group K-Fold）以确保结果稳健性。
结果与讨论
性能对比
集成模型在测试集上达到97.9%的准确率，显著优于单一模型（DenseNet201: 97.0%, VGG16: 96.0%, InceptionV3: 94.5%）。其宏F1分数（99.2%）和AUC（0.996）表明模型在多数类和少数类间均保持高判别力。混淆矩阵显示，集成模型有效降低了mel与bkl等易混淆类别间的误判率。
可解释性分析
通过梯度加权类激活映射（Grad-CAM）生成热力图，直观展示模型决策依据区域（如病灶边缘、色素分布）。热力图与原始图像的叠加验证了模型聚焦于临床相关特征，增强了医生对AI决策的信任度。定量评估显示，Grad-CAM在定位准确性（Localization Accuracy）和忠实度（Faithfulness）指标上均优于LIME、SHAP等方法。
消融实验与对比分析
消融实验证实：
- •
输入分辨率提升至224×224时，模型性能无显著改善（准确率±0.2%），证明100×75像素足以保留关键纹理信息；
- •
软投票集成在计算效率与稳定性上优于硬投票（Hard Voting）和特征级融合（Feature-level Fusion）；
- •
类别加权损失函数有效提升罕见病变（如vasc、df）的召回率。
与现有研究对比，本文模型在HAM10000数据集上的准确率超越SkinIncept（96.52%）、IncepX-Ensemble（98%）等先进方法，且具备更优的可解释性。
结论与展望
本研究提出的多模态皮肤病变分类框架，通过集成学习与可解释性技术的结合，实现了高精度、可临床信赖的皮肤癌早期诊断。未来工作将拓展至多中心数据集（如ISIC、Derm7pt）、融合临床元数据（如年龄、病灶位置），并探索轻量化模型在移动医疗设备中的部署，进一步推动AI在皮肤科临床实践中的应用。
