编辑推荐：
皮肤癌早期准确诊断颇具挑战，研究人员围绕皮肤癌图像分类展开研究。他们运用多种深度学习和迁移学习技术，对 ISIC 2018 数据集分析。结果显示，组合 ResNet-18 和 MobileNet 预训练网络及 SVM 分类器，准确率可达 92.87%，为皮肤癌诊断提供有效方法。
在当今医疗领域，皮肤疾病对人们的健康构成了严重威胁，其中皮肤癌的早期准确诊断更是一大难题。皮肤癌的独特特征和皮肤病变的多样形状，使得传统诊断方式面临诸多挑战。比如，不同类型的皮肤病变在外观上极为相似，容易导致误诊；而且人工诊断不仅耗时费力，还可能因医生经验差异而产生不同的诊断结果。因此，开发一种高效、准确的皮肤癌诊断方法迫在眉睫。
在此背景下，印度 UIT RGPV 的计算机应用系的 Manishi Shakya、Ravindra Patel 以及 SATI 的计算机科学与工程系的 Sunil Joshi 展开了深入研究。他们旨在通过深度学习和迁移学习技术，为皮肤癌的分类提供更有效的解决方案。研究成果发表在《Scientific Reports》上，为皮肤癌诊断领域带来了新的曙光。
为开展此项研究，研究人员采用了多种关键技术方法。首先，使用 ISIC 2018 数据集，该数据集包含 3300 张皮肤疾病图像，涵盖良性和恶性皮肤癌图像。对图像进行预处理，包括缩放、去噪、增强等操作，以提高图像质量。利用基于蛇模型的主动轮廓方法进行皮肤病变分割，提取病变区域。采用多种深度学习模型，如 VGG19、ResNet18 和 MobileNet_V2，分别作为分类器、特征提取器，并结合 SVM、DT、Na?ve Bayes 和 KNN 等机器学习分类器进行分类研究。
研究结果如下：
- 不同预训练模型作为特征提取器的性能：分析 VGG19、ResNet-18 和 MobileNetv2 作为特征提取器，结合不同机器学习分类器的性能。结果显示，SVM 在所有预训练模型提取的特征上表现最佳，其中 MobileNet 网络与 SVM 分类器组合，在 25 个 epoch、学习率 0.0001 和批量大小 64 的条件下，准确率最高，达到 92.57%。
- 混合模型作为特征提取器的性能：通过连接多个预训练模型，提取并合并特征，再输入到分类器中。实验发现，由 MobileNet_v2 和 ResNet-18 网络连接，搭配 SVM 分类器的混合模型，在相同实验条件下，准确率可达 92.87%，为所有模型中的最高准确率。
- 微调预训练模型作为分类器的性能：对 VGG19、ResNet18 和 MobileNet_v2 这三种微调的 CNN 架构进行比较分析。结果表明，MobileNet_V2 在准确率、敏感性等指标上表现较好，但综合来看，仍不如混合模型的性能。
- 消融研究：对预处理、分割和特征提取等组件进行消融研究。结果显示，每个组件对模型整体性能都至关重要，其中分割步骤的缺失导致性能下降最为明显。
研究结论和讨论部分指出，该研究提出的深度学习方法为皮肤癌图像分类提供了有效的解决方案。通过多种策略的研究，发现将 ResNet-18 和 MobileNet 预训练网络连接作为特征提取器，搭配 SVM 分类器，能达到 92.87% 的最高准确率。这一成果有助于提高皮肤癌诊断的准确性，为临床诊断提供了有力支持。未来研究可进一步优化超参数，如使用网格搜索或贝叶斯优化方法调整 epoch、批量大小和学习率；将预处理过程集成到输入管道中；扩展到更多类别的分类，以及对实时数据（如临床图像或患者元数据）进行多类分类，以进一步提升诊断能力。这项研究为皮肤癌诊断技术的发展开辟了新的道路，有望在未来的临床实践中得到广泛应用，为患者带来更准确、及时的诊断和治疗。
