Hierarchical Skin Lesion Image Classification with Prototypical Decision Tree：提升皮肤病变诊断可靠性的创新方法
编辑推荐：
传统疾病分类模型存在决策过程缺乏透明度、未考虑误诊临床意义等问题。研究人员开展基于分层原型决策树（HPDT）的皮肤病变分类研究。结果显示 HPDT 在多方面优于现有方法，为临床决策支持提供了新途径。
在医疗影像诊断领域，随着深度学习的发展和大量医疗数据的涌现，分类算法的准确性有了显著提升。然而，传统的疾病分类模型却存在诸多问题。一方面，它们在决策过程中缺乏透明度，就像一个黑匣子，医生难以知晓模型做出判断的依据；另一方面，这些模型将所有错误分类同等对待，忽视了不同误诊所带来的临床意义差异。例如在皮肤科，把恶性病变误诊为良性，其风险远高于混淆两种良性病变。为了解决这些问题，推动医疗影像诊断技术的进步，来自澳大利亚莫纳什大学（Monash University）等机构的研究人员开展了一项关于皮肤病变分类的研究，相关成果发表在《npj Digital Medicine》上。
研究人员提出了一种分层原型决策树（Hierarchical Prototypical Decision Tree，HPDT）模型，旨在通过结合原型网络和决策树，利用类层次结构指导从一般到特定类别的可解释预测，从而提升皮肤病变诊断的可靠性和决策透明度。
研究人员为开展此项研究，采用了以下关键技术方法：
- 数据集：使用 Molemap 数据集，该数据集包含 235,268 张皮肤镜图像，由专业人员标注并整理成三级分层分类体系，涵盖 65 种皮肤疾病，包括 53 种良性和 12 种恶性类别。
- 模型构建：构建 HPDT 模型，先由原型网络学习图像特征和类原型，再在其基础上构建决策树，根据类层次结构进行路径预测。同时引入基于最低共同祖先（Lowest Common Ancestor，LCA）高度的归一化距离度量，量化误诊严重性，并将其融入评估和损失函数。
- 模型训练：将数据集按 70%、10%、20% 的比例划分为训练集、验证集和测试集，采用标准图像增强技术，使用 ADAM 优化器，设置特定的学习率策略进行训练。
- 评估指标：使用标准准确率、分层 F1 分数（Hierarchical F1 Score，H-F1）、基于 LCA 高度的误诊严重性和前 5 分层距离（Top-k Hierarchical Distance，HD）等指标评估模型性能，并运用 Cohen’s d 效应量分析进行统计。
下面介绍具体的研究结果：
- 与现有方法的比较：将 HPDT 与 15 种基线模型对比，发现多数分层感知模型虽能减少误诊严重性，但总体准确率较低。HPDT 在准确率、分层 F1 分数、误诊严重性和前 5 分层距离等指标上表现出色，具有显著优势，其决策过程连贯，避免了其他分层模型在不同层级预测不一致的问题。
- 决策可解释性分析：HPDT 的决策树将复杂决策分解为较小的中间决策，通过遍历类树节点的概率，人类可理解模型行为。对于高不确定性样本，HPDT 的准确率比两个扁平模型高约 4%，误诊严重性低约 0.1，有效抑制了错误传播。
- 未见类分类结果：在未见类分类实验中，HPDT 在不同数量的可见类和未见类设置下，均显著优于扁平模型，且随着未见类数量增加，优势更明显，展示了强大的泛化能力。
- 消融研究结果：通过消融研究发现，使用欧几里得距离比余弦距离能使 HPDT 的树准确率更高；分层建模可提升性能；ICD 损失能优化特征分布，合适的 λ 值可提高模型准确率；批量归一化和层归一化能提升模型性能，而 L2 归一化会降低性能；类距离引导的原型学习可使学习到的原型更好地保留语义关系。
研究结论和讨论部分指出，HPDT 模型结合决策树和类层次结构正则化的原型学习，有效解决了传统分类算法的问题。它在大型皮肤病变数据集上的表现优于现有方法，不仅提高了诊断准确性，还降低了误诊严重性，增强了决策可解释性。同时，该模型通过软决策和全局优化，减轻了分层分类中常见的错误传播问题。然而，研究也存在一定局限性，如仅在基于语义相似性构建的预定义类层次结构上学习，模型基于欧几里得空间开发，且顺序决策对临床医生的实际帮助有待进一步评估。尽管如此，HPDT 模型为临床决策支持提供了新的思路和方法，具有重要的临床应用潜力，有望推动皮肤病变诊断技术的发展。未来研究可考虑结合语义和视觉类层次结构、引入双曲几何优化模型，并通过读者研究评估其对临床诊断工作流程的实际影响，进一步完善该模型。
