编辑推荐：
皮肤癌严重威胁全球公共健康，早期精准检测至关重要。研究人员开展 SkinEHDLF 模型研究，以提升皮肤癌分类准确性。该模型融合多种先进模型优势，在多指标上表现优异，能有效区分良恶性病变，为皮肤癌诊断提供新方案。
在全球范围内，皮肤癌如同潜伏在暗处的 “健康杀手”，每年都有大量新增病例。其中，黑色素瘤（melanoma）、基底细胞癌（basal cell carcinoma，BCC）和鳞状细胞癌（squamous cell carcinoma，SCC）是主要类型，尤其是黑色素瘤，若未能及时发现和治疗，极易扩散至其他器官，严重威胁生命健康。
传统的皮肤癌检测方法，如皮肤科医生的视觉评估和活检操作，存在诸多弊端。视觉评估主观性强、易受医生经验影响，活检不仅耗时、有创，还可能给患者带来额外痛苦。随着医疗技术的发展，机器学习（ML）和深度学习（DL）技术逐渐应用于皮肤癌诊断领域，但仍面临诸多挑战。例如，数据标注困难、不同肤色人群皮肤病变表现差异大、模型易出现假阳性和假阴性结果等。为了解决这些难题，提高皮肤癌检测的准确性和可靠性，来自印度 Galgotias 大学等机构的研究人员开展了关于 SkinEHDLF 模型的研究。相关研究成果发表在《Scientific Reports》上，为皮肤癌的诊断带来了新的曙光。
研究人员采用了一系列关键技术方法。在数据方面，使用了 ISIC 2024 数据集，该数据集包含 401,059 张从 3D 全身摄影中提取的高分辨率皮肤病变图像，涵盖多种皮肤病变类型、不同光照条件和患者特征。在模型构建上，SkinEHDLF 模型融合了 ConvNeXt、EfficientNetV2 和 Swin Transformer 三种先进模型的优势，并引入自适应注意力机制进行特征融合。同时，运用了数据预处理技术，包括图像增强、归一化和标准化等，以提高数据质量和模型性能；采用网格搜索（Grid Search）和 K 折交叉验证（K-fold cross-validation）进行超参数调优，确保模型达到最佳状态。
实验结果
- 病变类型分类性能：在对黑色素瘤、BCC、鳞状细胞癌和良性病变的分类中，SkinEHDLF 模型表现出色。黑色素瘤分类的准确率达 98.4% ，精度为 98.7% ，召回率 98.1% ，F1 分数 98.4% ，AUROC 为 99.2%；BCC 的准确率为 97.9% ，精度 97.4% ，召回率 98.2% ，F1 分数 97.8% ，AUROC 为 98.5%；鳞状细胞癌的准确率 97.5% ，精度 96.8% ，召回率 98.0% ，F1 分数 97.4% ，AUROC 为 98.1%；良性病变的准确率 99.1% ，精度 99.3% ，召回率 98.9% ，F1 分数 99.1% ，AUROC 高达 99.4%。这表明该模型能有效区分不同类型的皮肤病变。
- 混淆矩阵分析：在二元分类（恶性与良性）任务中，SkinEHDLF 模型准确率达 98.76% ，精度 99.2% ，AUROC 为 99.8% ，远超其他对比模型；在多分类（黑色素瘤、良性和非癌性）任务中，AUROC 为 99.7% ，准确率 98.6% ，同样表现卓越，显示出该模型在不同分类任务中的可靠性和适应性。
- 解剖部位性能分析：针对不同解剖部位的皮肤病变，如头颈部、上肢、下肢和躯干，SkinEHDLF 模型均表现出较高的准确率、精度、召回率和 AUROC。头颈部病变分类准确率为 98.2% ，上肢为 97.8% ，下肢为 97.5% ，躯干最高达 98.6% ，表明该模型不受病变位置影响，具有良好的鲁棒性。
- 跨数据集和跨领域性能评估：在不同数据集（ISIC 2024、ISIC 2020、HAM10000 和 Dermofit）上进行测试，模型在 ISIC 2024 数据集上表现最佳，准确率 98.8% ，精度 98.9% ，AUROC 99.3% 。在其他数据集上，虽准确率有所下降，但仍保持较高的 AUROC 分数，说明模型有一定泛化能力，但还需针对不同数据集进行微调。
- 误差分析和噪声鲁棒性：随着噪声水平增加，模型性能虽有所下降，但仍保持一定有效性和鲁棒性。在无噪声时，准确率 98.76% ，精度 98.87% ，召回率 98.45% ；在 5% 低高斯噪声下，准确率仍有 97.6% ，模型能在一定噪声环境下保持较好的检测能力。
- K 折交叉验证性能和统计分析：通过 10 折交叉验证，模型在各指标上表现稳定。准确率在 98.6 - 99.1% 之间，精度约 97% ，召回率约 96% ，AUROC 和 AUC 在 0.992 - 0.995 之间，表明模型具有较高的可靠性和稳定性。
- 数据预处理的影响：数据预处理显著提升了 SkinEHDLF 模型性能。预处理后，准确率从 95.8% 提升到 98.9% ，精度从 92.6% 提升到 97.6% ，召回率从 90.2% 提升到 96.4% ，同时降低了 FPR 和 FNR，说明数据预处理对提高模型性能至关重要。
- 消融研究和组件贡献分析：通过消融研究发现，单独使用 ConvNeXt、EfficientNetV2 或 Swin Transformer 时，模型准确率在 94.2 - 95.4% 之间；而组合使用时，模型性能显著提升，完整的 SkinEHDLF 模型准确率达 98.8% ，精度 97.6% ，召回率 96.9% ，证明了融合多种模型的重要性。
- 超参数调整和敏感性分析：调整超参数（如学习率、批量大小、优化器等）对模型性能有显著影响。例如，使用 Adam 优化器，学习率 0.0001，批量大小 64，训练 200 个 epoch，dropout 率 0.5，10 层网络时，模型准确率可达 99.75% ，表明合理调整超参数可优化模型性能。
- ROC - AUC 分析和比较评估：ROC - AUC 分析显示，SkinEHDLF 模型在不同年龄组（儿童、年轻成人、成人和老年人）中均表现良好，能有效区分恶性和良性病变。各年龄组的 AUROC 和 AUC 分数接近 0.99，敏感性和特异性较高，MAE 和 MSE 较低，说明模型在不同年龄人群中都具有较高的准确性。
研究结论与讨论
研究表明，SkinEHDLF 模型在皮肤癌分类任务中表现优异，在二元分类和多分类任务中均取得了高准确率，在不同解剖部位、不同数据集和不同噪声条件下都展现出良好的性能和鲁棒性。数据预处理对模型性能提升有重要作用，消融研究证实了融合多种模型的优势。然而，该研究也存在一定局限性。数据集的多样性和代表性不足，可能影响模型在不同人群中的泛化能力；缺乏对罕见病变类型的充分评估；模型在临床环境中的实时性能和适用性还需进一步验证。尽管如此，SkinEHDLF 模型为皮肤癌诊断提供了新的可靠方案，未来通过扩大数据集、开展临床部署和整合多模态数据等研究，有望进一步提升其性能和临床应用价值，为皮肤癌的早期诊断和治疗带来更多希望，推动皮肤科诊断领域的发展，提高患者的生存率和生活质量。
