编辑推荐：
皮肤癌早期诊断对治疗至关重要，但传统方法存在诸多问题。研究人员开展基于先进自适应微调卷积神经网络（CNN）自动诊断皮肤癌的研究。结果显示该方法有效，能助力早期筛查。其意义在于为皮肤癌诊断提供新工具，有望改善患者预后。
在全球范围内，皮肤癌如同潜藏在暗处的 “健康杀手”，严重威胁着公众的生命健康。它是一种极为常见的癌症，全球每 5 例确诊癌症中就有 1 例是皮肤癌，其中黑色素瘤每年导致超 60,000 人死亡。早期诊断对于皮肤癌的有效治疗起着决定性作用，能显著提升患者的生存几率和生活质量。然而，传统的皮肤癌诊断方式主要依靠皮肤科医生进行身体检查，这一过程不仅耗时费力，而且极易受到主观因素的影响，误诊、漏诊的情况时有发生。
随着科技的飞速发展，深度学习（DL）技术逐渐崭露头角，在众多领域展现出强大的实力。在医学领域，它也被寄予厚望，尤其是在皮肤癌诊断方面，有望成为改变现状的 “救星”。但是，DL 技术在实际应用中却遭遇了重重困境。用于训练的皮肤癌照片数量极为有限，这使得模型很容易出现过拟合现象，就像一个人只接触了少量信息就匆忙下结论，结果往往不准确；同时，传统的微调预训练模型方法也存在缺陷，难以精准地学习到皮肤癌照片中的关键特征。面对这些难题，来自多个国家科研机构的研究人员携手合作，开展了一项旨在利用先进自适应微调卷积神经网络（CNN）实现皮肤癌自动诊断的研究。最终，他们的研究成果发表在《Discover Oncology》杂志上，为皮肤癌的诊断开辟了新的方向。
研究人员为了实现这一目标，采用了多种关键技术方法。首先，他们运用了迁移学习技术，借助预训练的 CNN 模型，减少了从头开始训练模型所需的大量时间和计算资源。同时，利用主成分分析（PCA）对模型进行优化，通过这种无监督学习技术，能够从皮肤癌图像中挖掘出更具判别力的特征，有效缓解了过拟合问题。在数据处理方面，研究人员对 HAM10000 数据集进行了细致的预处理，包括去除噪声、调整图像大小以及数据增强等操作，让模型能够接触到更丰富多样的数据，从而提高其泛化能力。
下面来看看具体的研究结果：
- 设计 CNN 模型：研究人员精心设计了用于皮肤癌诊断的 CNN 模型。他们对皮肤病变图像进行预处理，调整大小并去除噪声，同时运用数据增强方法解决类别不平衡问题。通过提取不同大小的感兴趣区域（ROI），并对其进行旋转和翻转操作，增加了训练数据的多样性。此外，引入自适应最大池化层，使模型能够处理不同大小的输入，还利用 GradCam 可视化技术生成热图，直观地展示了模型对病变特征的学习情况，证明了模型在临床评估和精确识别皮肤癌病变方面的潜力。
- CONV 层调整：为了提升模型对皮肤癌的识别能力，研究人员对 CONV 层进行了优化。他们利用 ROI 重置了初始 CONV 层的滤波器，使其更专注于皮肤癌病变的独特特征。通过调整预训练模型的 CONV 层，模型能够更好地识别和分类与皮肤癌相关的特征。利用 GradCam 可视化工具生成的热图显示，CONV 层能够以分层的方式记录黑色素瘤和非黑色素瘤病变的特征，经过微调后的模型能够成功识别皮肤癌，为精准诊断提供了有力支持。
- 修剪和添加 Fc 及分类层：针对预训练模型中全连接（FC）层的问题，研究人员进行了大胆改进。他们去除了所有 FC 层，引入了由 153 个神经元组成的新 PCA 层。这样不仅简化了模型结构，减少了计算负担，还成功提取了皮肤癌图像的重要特征，实现了对皮肤癌图像的准确分类。研究人员对图像大小进行了合理调整，在保证模型性能和检测精度的同时，确保模型能够处理各种维度的输入。
- 数据集预处理和增强：研究人员选择了 HAM10000 数据集作为研究基础，对其进行了全面的预处理和增强。他们去除图像噪声，将图像标准化为统一大小，并采用数据增强技术，如翻转、旋转、缩放和颜色调整等，增加了少数类别的数据表示。通过多尺度 ROI 提取策略，模型能够学习到病变的详细特征和上下文信息，为准确分类奠定了坚实基础。
在研究结论和讨论部分，研究人员提出的自适应学习方法在皮肤癌诊断领域展现出巨大的潜力。在 HAM10000 数据集上，模型的测试准确率达到了 87%，这一成绩充分证明了自适应学习策略的有效性，它能够从输入数据中提取复杂特征。分类报告详细展示了模型在不同类型皮肤癌中的召回率、精确率和 F1 分数，进一步说明了模型的良好性能。例如，黑色素瘤的敏感度达到 91%，非黑色素瘤的敏感度为 83%，特异性为 82%，黑色素瘤的 F1 分数为 88%，非黑色素瘤的 F1 分数为 86%。这些数据表明，模型能够精准地区分黑色素瘤和非黑色素瘤病例，有效减少了误诊情况的发生。
此外，混淆矩阵直观地展示了模型的高真阳性和真阴性率，ROC 曲线分析也清晰地表明模型在不同阈值下具有较高的敏感度和特异性，其曲线下面积（AUC）结果有力地支持了模型的判别能力。通过统计显著性检验，研究人员发现模型在准确率和 F1 分数上的提升具有统计学意义，这进一步验证了模型的可靠性。
这项研究成果具有重要的意义。它为皮肤癌的早期诊断提供了一种高效、准确的新工具，能够帮助医疗专业人员更及时地做出决策，将患者转诊给皮肤科医生或专家进行进一步诊断和治疗，从而提高患者的生存率和生活质量。该研究中提出的自适应学习策略和两阶段迁移学习框架，对其他癌症和疾病的诊断也具有重要的借鉴意义，有望推动整个医学领域的发展。同时，这一成果也为人工智能在医疗领域的应用开辟了更广阔的前景，促进了智能计算机辅助技术与医疗的深度融合，为未来的精准医疗奠定了坚实基础。
