编辑推荐：
皮肤病变发病率上升，早期准确检测至关重要。研究人员开展基于卷积神经网络（CNN）和双向长短期记忆网络（BiLSTM）的皮肤病变分类研究。结果显示，该混合模型准确率达 92.73% 。其为医疗诊断提供了有力工具，提升了检测和治疗水平。
近年来，皮肤病变已成为全球不容忽视的健康难题，其发病率呈持续攀升态势。想象一下，皮肤上突然出现的不明肿块或异常斑疹，若不能及时准确判断是良性还是恶性，可能导致病情延误，给患者带来极大痛苦。传统的诊断方式存在诸多局限，如依赖医生经验、准确性不稳定等，难以满足日益增长的诊断需求。在此背景下，为了实现皮肤病变的早期精准检测，提升医疗诊断水平，来自维洛尔理工学院（Vellore Institute of Technology）的研究人员展开了深入研究，相关成果发表于《Scientific Reports》。
研究人员采用了多种关键技术方法。在模型构建方面，将卷积神经网络（CNN）与双向长短期记忆网络（BiLSTM）相结合，利用 CNN 擅长提取图像空间特征、BiLSTM 善于处理序列数据和捕捉时间模式的优势，同时融入空间、通道和时间注意力机制，使模型能更聚焦关键信息。在数据处理上，使用平衡后的 HAM10000 数据集进行训练和验证，通过数据增强技术提升模型泛化能力。评估模型性能时，运用精度、召回率、F1 分数、马修斯相关系数（MCC）等多种指标进行全面衡量。
实验结果
- 模型性能对比：研究对比了多种模型，发现 CNN（原始架构）结合 BiLSTM 和注意力机制的模型表现最为突出，其准确率达到 92.73%，精度为 92.84%，F1 分数是 92.70%，召回率 92.73%，杰卡德指数（JAC）为 87.08%，骰子系数（DIC）92.70%，马修斯相关系数（MCC）91.55% 。在区分皮肤病变类别时，该模型对真假阳性和阴性的判断极为有效，在特异性（98.79%）和曲线下面积（AUC，99.42%）等指标上也远超其他模型，能精准区分正负类别1。
- 训练与验证分析：从模型训练和验证的性能指标来看，随着训练进行，模型在训练集和验证集上的准确率稳步上升，最终均超 90%，且两者曲线紧密贴合，表明模型有效学习且未出现过拟合。同时，训练集和验证集的损失值不断下降，最终接近 0.2，进一步证明模型能有效捕捉数据模式23。
- 混淆矩阵评估：通过混淆矩阵分析，该模型在七个类别分类中表现出色，对角元素强，误分类率低，尤其在区分相似类别上优势明显。相比之下，其他模型虽各有表现，但在部分类别准确性上存在不足，凸显了该模型捕捉复杂模式的卓越能力4。
- ROC 曲线分析：在受试者工作特征（ROC）曲线分析中，该模型在七个不同类别上的曲线都靠近左上角，AUC 在 0.98 - 1.00 之间，远超随机分类器，且不同类别曲线紧密聚集，表明其在多类别医学图像分类任务中性能稳定、准确5。
- 其他数据集验证：为测试模型泛化能力，研究人员在 ISIC 2019 和 ISIC 2018 数据集上进行验证。结果显示，模型在这些数据集上同样表现优异，各项关键指标突出，证明其能适应不同数据分布，在实际应用中具有高度可靠性6。
研究结论与讨论
此次研究成果意义重大。所提出的结合 CNN、BiLSTM 和注意力机制的模型，在皮肤病变分类任务中展现出卓越性能，为医疗专业人员提供了强大的诊断工具。其高精度意味着能更准确识别皮肤病变，减少误诊；高召回率可降低漏诊风险，帮助患者及时接受治疗。该模型对复杂特征的捕捉能力和在不同数据集上的稳定表现，显示出其在实际临床应用中的巨大潜力，有望推动皮肤病变早期检测和个性化治疗的发展。然而，研究也存在一定局限性，如在实际应用中，图像采集时的光照变化和背景差异可能影响模型准确性。未来研究可针对这些问题，借助其他视觉和图像处理技术加以改进，进一步提升模型性能，为全球公共卫生事业贡献更多力量。
