编辑推荐：
皮肤癌（SC）发病率全球上升，现有诊断方法存缺陷，AI - 基于的方法也面临挑战。研究人员提出用榕树生长优化（BTGO）的循环一致单纯对抗注意力适应网络（Cy - CSAAANets）检测和分类黑色素瘤。该方法在多个数据集表现优异，有望用于临床早期诊断。
在全球范围内，皮肤癌（Skin Cancer，SC）的发病率如同不断攀升的潮水，持续上涨，已然成为最为常见且危险的癌症类型之一。其中，黑色素瘤作为 SC 中最为凶险的一种，具有极高的生长速度和转移潜能。早期治疗对于黑色素瘤患者的生存意义重大，然而传统的诊断方式，像组织病理学分析和皮肤镜评估，不仅主观性强、耗时久，还严重依赖专家的个人判断，犹如在迷雾中摸索，难以精准、高效地识别黑色素瘤。
在此背景下，人工智能（Artificial Intelligence，AI），尤其是深度学习（Deep Learning，DL）技术，成为了科研人员试图冲破困境的有力武器。但现有的基于 AI 的黑色素瘤检测方法，也面临着重重阻碍。计算需求大、对图像质量变化的适应性差，以及难以准确区分黑色素瘤和非黑色素瘤（良性）病变等问题，使得这些方法在实际应用中大打折扣。传统的卷积神经网络（Convolutional Neural Network，CNN），例如 EfficientNetV2 - M、DenseNet - II 等，虽然取得了一些成果，但过拟合导致的泛化能力差、对噪声敏感，以及病变边界分割不准确等问题，依旧困扰着研究人员。
为了攻克这些难题，来自未知研究机构的研究人员展开了一项极具意义的研究。他们提出了一种全新的基于榕树生长优化（Banyan Tree Growth Optimization，BTGO）的循环一致单纯对抗注意力适应网络（Cycle - Consistent Simplicial Adversarial Attention Adaptation Networks，Cy - CSAAANets），用于黑色素瘤的检测和分类。这项研究成果发表在《Biomedical Signal Processing and Control》上，为黑色素瘤的诊断带来了新的曙光。
研究人员为开展此项研究，运用了多种关键技术方法。首先，从 ISIC2018、ISIC2019、ISIC2020 和 HAM10000 这四个数据集获取输入图像。针对图像存在的噪声问题，采用窗口感知引导图像滤波（Window - Aware Guided Image Filtering，WGIF）技术进行降噪处理。接着，利用自适应正则化核模糊 C 均值（Adaptively Regularized Kernel Fuzzy C - Means，ARKFCM）方法对皮肤癌区域进行分割。然后，借助改良的 ResNet - 152（Modified ResNet - 152，MResNet - 152）网络提取特征。最后，通过 Cy - CSAAANets 进行分类，并利用 BTGO 对网络进行优化。
研究结果
- 降噪效果：通过 WGIF 技术对来自多个数据集的图像进行降噪处理，有效提升了输入图像的质量，为后续准确识别皮肤癌相关特征奠定了基础。
- 分割结果：ARKFCM 技术能够精准地分割皮肤癌区域，成功将癌组织与健康组织区分开来，确保了后续分析的准确性。
- 特征提取成果：MResNet - 152 网络从分割后的皮肤癌区域中成功提取出关键特征，为分类提供了有力依据。
- 分类与优化成效：经过 BTGO 优化的 Cy - CSAAANets 在黑色素瘤分类上表现卓越。在 ISIC2018 数据集上，该方法实现了 99.2% 的准确率、97.8% 的精度和 99.1% 的召回率；在 ISIC2019 数据集上，准确率达到 98.1%，精度为 98.0%，召回率为 95.8%；在 ISIC2020 数据集上，准确率为 98.7%，精度 96.5%，召回率 95.9%；在 HAM10000 数据集上，准确率、精度和召回率分别为 99.1%、96.8% 和 99.1%，超越了当前现有的先进方法。
研究结论与讨论
研究表明，将 WGIF 的预处理、ARKFCM 的分割、MResNet - 152 的特征提取以及 BTGO 优化的 Cy - CSAAANets 分类相结合，构建出了一个高效且稳健的黑色素瘤检测与分类框架。这一研究成果意义非凡，它显著提高了黑色素瘤分类的精度，为临床实践中黑色素瘤的早期诊断提供了极具价值的新方法。借助该技术，医生能够更准确、及时地发现黑色素瘤，从而为患者制定更有效的治疗方案，大大提高患者的生存率和生活质量，在医学领域具有广阔的应用前景，为攻克黑色素瘤这一难题注入了新的活力。
