通过分层少样本学习实现针对脂溢性皮炎的实时便携式诊断

《IEEE MultiMedia》：Real-Time Portable Diagnostics for Seborrheic Dermatitis via Hierarchical Few-Shot Learning

脂溢性皮炎诊断模型采用分层小样本学习框架，结合ProtoNet和ResNet50实现六种亚型及三级严重程度的自动分类，准确率达98.35%，并在树莓派上部署成功，支持实时边缘诊断。

　　

摘要：

脂溢性皮炎是一种常见的皮肤疾病，由于其症状与其他皮肤病重叠，常常被误诊，因此早期和准确的诊断至关重要。传统的诊断方法严重依赖于专家的解读和专门的设备，而这些在偏远地区或资源有限的环境中通常无法获得。为了解决这些限制，我们提出了一种分层少样本学习模型，该模型能够自动分类脂溢性皮炎的六大主要类型，并进一步将每种类型分为轻度、中度和重度三个等级进行评估。我们的模型结合了原型网络（ProtoNet）和ResNet50骨干网络，以捕捉数据中的层次关系，并在数据稀缺的环境中实现细粒度分类。训练后的模型在独立测试集上的分类准确率为98.35%，并且在部署到Raspberry Pi设备上使用优化的推理流程后，这一准确率仍然得以保持。该系统支持实时、设备上的诊断，延迟极低，使得在资源匮乏的环境中进行便携和可扩展的皮肤科评估成为可能。除了其临床实用性外，这项工作还提出了首个专为皮肤科实时边缘部署设计的分层少样本学习框架，展示了如何将先进的机器学习技术有效地转化为实用且负担得起的医疗解决方案。