编辑推荐：
皮肤癌发病率逐年上升，早期诊断至关重要。研究人员开展了卷积神经网络（CNN）参数微调对皮肤癌检测影响的研究。结果显示，调整参数可使模型准确率从 62.5% 提升至 85%。该研究为 CNN 模型在皮肤癌检测中的应用提供了重要参考。
在当今社会，皮肤癌正悄然成为一个日益严峻的健康威胁。由于不良生活方式和外界环境的影响，它的发病率正以每年 3% - 7% 的速度增长，犹如一颗隐藏在暗处的定时炸弹，随时可能爆发，严重威胁着人们的生命健康。皮肤癌主要分为基底细胞癌（BCC）、鳞状细胞癌（SCC）和黑色素瘤（Melanoma），其中黑色素瘤虽然只占皮肤癌总数的 1%，却是最致命的类型，6/7 的皮肤癌死亡病例都由它导致 。
传统的皮肤癌诊断方式面临着诸多挑战。仅依靠医生的视觉检查，很难准确判断皮肤病变是良性还是恶性，容易出现误诊，这就像是在迷雾中摸索，难以找到正确的方向。而现有的人工智能（AI）方法在皮肤癌检测中也存在不足，机器学习（ML）算法在小数据集上表现尚可，但面对大规模数据时却显得力不从心；深度学习（DL）算法虽然在大数据集上表现出色，但在小数据集上却容易出现错误分类。因此，找到一种更有效的皮肤癌检测方法迫在眉睫。
为了解决这些难题，来自巴基斯坦、阿联酋、乌兹别克斯坦等国的研究人员携手开展了一项关于卷积神经网络（CNN）参数微调对皮肤癌检测影响的研究。他们的研究成果发表在《Scientific Reports》上，为皮肤癌检测领域带来了新的曙光。
研究人员在研究过程中，运用了多种关键技术方法。他们从公开平台 Kaggle 获取了两个来自国际皮肤成像协作组织（ISIC）的数据集，这些数据集包含了大量的皮肤病变图像，为研究提供了丰富的数据支持。在数据处理阶段，他们采用了数据增强技术，通过对图像进行旋转、平移、缩放等操作，增加了数据的多样性，使模型能够学习到更多不同特征。同时，他们运用了 CNN 模型，并对其参数进行了精细调整，通过一系列实验，探究不同参数设置对模型性能的影响。
下面来看看具体的研究结果：
- 基础模型表现：研究构建的基础 CNN 模型包含两个卷积层，每个卷积层有 64 个神经元，采用 (3,3) 的卷积核，学习率为 0.001，使用 “Adam” 优化器 。该基础模型的准确率仅为 62.5%，在训练过程中出现了过拟合现象，验证准确率停滞不前，这表明它在处理未见数据时泛化能力较差。
- 添加密集层的影响：在基础模型中添加密集层后，模型的验证准确率从 62.5% 提升到了 66%。这是因为密集层能够捕捉数据集中复杂的非线性关系，增强了模型的表达能力，从而提高了模型性能。
- 添加卷积层的效果：当在基础模型中添加卷积层时，模型性能得到了进一步提升，准确率达到了 70%。卷积层的增加使模型能够学习到更复杂的特征，尤其是对于复杂模式的识别能力增强，这对于皮肤癌图像中细微特征的提取至关重要。
- 改变滤波器数量的作用：调整模型中滤波器的数量后，模型的准确率从 70% 提高到了 75%。不同层次的滤波器可以学习到不同层次的特征，从简单的边缘和纹理到复杂的形状和结构，这种多层次的特征学习方式提高了模型的参数效率，减少了过拟合现象。
- 去除随机失活层的影响：去除随机失活（Dropout）层后，模型的准确率大幅提升，从 75% 跃升至 83.4%。这说明随机失活层在一定程度上导致了重要信息的丢失，去除它后，模型能够恢复关键信息，从而提高了准确性。
- 改变学习率的影响：研究尝试改变学习率，当学习率从 1e - 5 调整到 1e - 3 时，模型几乎无法学习；调整到 1e - 6 时，模型虽能学习，但性能不佳。这表明学习率是模型训练的关键参数，不合适的学习率会严重影响模型的性能。
- 去除填充的效果：将模型的填充方式从 “same” 改为 “valid” 后，模型的准确率从 83% 提高到了 85%。“same” 填充会保留特征图的空间维度，可能导致后续层参数增加，引发过拟合；而 “valid” 填充减少了空间维度和参数数量，有助于模型聚焦于图像的关键区域，提高了模型的泛化能力。
通过一系列实验，研究人员得出结论：添加层、改变卷积层的滤波器数量、去除随机失活层和特定的填充方式，都能显著提升 CNN 模型在皮肤癌检测中的性能，使模型准确率从 62.5% 提升到 85%。这一研究成果具有重要意义，它为研究人员在处理皮肤癌图像数据集时，如何微调 CNN 模型提供了明确的指导方向，有助于开发更高效、准确的皮肤癌检测工具，提高皮肤癌的早期诊断率，从而挽救更多患者的生命。同时，该研究也表明，在小数据集情况下，定制化的 CNN 模型经过参数微调，性能优于预训练模型，为相关领域的研究开辟了新的思路。
