编辑推荐：
皮肤癌严重威胁人类健康，早期检测困难。研究人员开展 “Parallel Convolutional Spiking Neural Network（PCSN-Net）用于皮肤癌检测” 的研究，构建 PCSN-Net 模型。结果显示其检测准确率达 95.7% ，该模型为皮肤癌诊断提供了新途径111。
皮肤癌，这个全球范围内广泛肆虐的 “健康杀手”，正严重威胁着人类的生命健康。据世界卫生组织（WHO）数据，约三分之一的癌症病例是皮肤癌。其中，恶性黑色素瘤更是凶险，每 54 - 60 分钟就有一人因它失去生命。早期发现并治疗皮肤癌，患者生存率能大幅提高，如原位诊断时黑色素瘤生存率可达 95%，但到了初级阶段就骤降至 15% 。然而，当前皮肤癌早期检测面临诸多难题。一方面，皮肤病变种类繁多，增加了诊断难度；另一方面，传统检测方法依赖医生专业技能和经验，准确性难以保证。因此，开发高效准确的皮肤癌早期检测方法迫在眉睫。
为攻克这一难题，来自韦洛尔理工大学（Vellore Institute of Technology）的研究人员展开了深入研究。他们致力于构建一种全新的模型，用于皮肤癌的精准检测。最终，研究人员成功提出了 Parallel Convolutional Spiking Neural Network（PCSN-Net）模型。这一模型在皮肤癌检测上表现卓越，具有极高的准确性和可靠性，为皮肤癌的早期诊断带来了新的曙光，相关研究成果发表在《Scientific Reports》上。
在研究过程中，研究人员运用了多种关键技术方法。首先，利用 Medav 滤波器对输入的皮肤癌图像进行预处理，去除噪声，提升图像质量；接着，采用集成 SegNet 和深度联合分割的 DeepSegNet，并借助 RV 系数融合结果，对癌症区域进行精准分割；之后，通过几何变换、颜色空间变换、mixup 和 CutMix 等方式进行图像增强；最后，提取纹理、统计、基于离散小波变换（DWT）的局部方向模式（LDP）与熵、局部正态导数模式（LNDP）等特征，输入 PCSN-Net 模型进行检测，该模型由并行卷积神经网络（PCNN）和深度脉冲神经网络（DSNN）融合而成23。
下面来看具体的研究结果：
- 实验设置与数据集：使用 Python 工具，基于 “Skin Cancer: Malignant vs. Benign” 数据集开展研究。该数据集包含约 1800 张 244×244 大小的皮肤图像，涵盖两种类型的痣，且为开源非商业使用，为模型训练和测试提供了丰富的数据支持45。
- 性能评估指标：采用准确率（Accuracy）、特异性（Specificity）、敏感性（Sensitivity）、阴性预测值（NPV）、阳性预测值（PPV）和假阳性率（FPR）等指标评估 PCSN-Net 的性能。这些指标从不同角度反映了模型的检测能力，有助于全面了解模型的性能表现6。
- 实验结果：PCSN-Net 在不同层数和 90% 学习集下，各项性能指标表现出色。例如，当层数为 8 时，准确率达到 0.957，敏感性为 0.947，特异性为 0.926 ，FPR 为 0.107 ，PPV 为 0.908 ，NPV 为 0.897。这表明 PCSN-Net 能有效区分恶性和良性皮肤病变，在皮肤癌检测方面具有较高的准确性和可靠性78。
- 对比分析：将 PCSN-Net 与 Aquila Whale Optimization-SqueezeNet（AWO-SqueezeNet）、深度学习、Ensemble lightweight deep learning、Optimized CNN、transfer learning、DeepSegNet + Fuzzy cognitive map（FCM）等现有检测模型对比，PCSN-Net 在多个指标上均优于这些模型。同时，与 EfficientNet、DenseNet 等标准模型相比，PCSN-Net 在准确率、敏感性、特异性以及训练和推理时间的平衡上更具优势，凸显了其在皮肤癌诊断中的优越性910。
研究结论和讨论部分指出，PCSN-Net 通过独特的设计，融合 PCNN 和 DSNN，有效解决了当前皮肤癌检测技术中的关键问题。数据增强技术减少了过拟合现象，多种特征提取方法提高了模型对皮肤病变细微差异的识别能力，DSNN 的应用提升了能源效率，使其更适用于资源受限的医疗场景。总体而言，PCSN-Net 为早期皮肤癌检测提供了可靠且可行的新策略，具有较高的准确性和实用性，有望在临床实践中广泛应用，为皮肤癌患者的早期诊断和治疗带来新希望。未来，研究人员计划进一步开发特征选择方法，并引入人工智能（AI）技术，加速癌症治疗和诊断进程，不断推动皮肤癌检测领域的发展。
