综述：深度学习在黑色素瘤检测中的增强与进展：一项全面综述

这篇系统综述聚焦人工智能（AI）尤其是深度学习（DL）在黑色素瘤早期诊断中的应用，揭示了当前模型在数据多样性（如非洲、亚洲人群皮肤光型）、图像标准化（如224×224像素分辨率）和临床可重复性（如ResNet架构透明度）方面的局限性，呼吁整合多源高质量数据以提升全球适用性。

　　

Abstract
黑色素瘤虽非最高发的皮肤癌，却因高死亡率成为全球健康挑战。传统活检诊断具侵入性，而基于深度学习（DL）的图像分析技术展现出早期精准诊断潜力。本文系统回顾2016至2025年研究，指出当前DL模型在欧洲和北美数据中表现优异（如ISIC数据库准确率超93%），但对非洲、亚洲等深色皮肤人群的泛化性不足。关键瓶颈包括图像分辨率标准化（普遍采用224×224像素）、模型架构（如ResNet、Inception）透明度缺失，以及数据集缺乏肤色多样性。

Introduction
黑色素瘤全球发病率排名第17，但在欧洲高发区位列第7，2022年导致58,667例死亡。早期诊断可使五年生存率超98%，但传统方法受限于活检延迟和医师水平差异。DL中的卷积神经网络（CNN）在医学影像领域表现突出（乳腺癌诊断准确率88%），但现有研究多依赖欧美白人数据，忽略亚洲人群黑色素瘤好发于肢端（如手掌、足底）的解剖学差异。

Research Landscape
印度（62篇）和中国（59篇）为研究主力，但数据集地理分布失衡。2019年后DL应用激增，但超30%研究未明确CNN架构细节，导致可重复性危机。

Data and Image Utilization
ISIC数据库（291次引用）和HAM10000（97次）主导研究，但深色皮肤样本不足5%。图像预处理中，61%研究未说明去噪或增强方法，影响模型鲁棒性。

Deep Learning Architectures
ResNet（38%）、Inception（22%）为主流，但33篇论文未披露网络结构。混合模型（如结合注意力机制）在有限数据集中表现优异（AUC提升12%）。

Challenges
数据集肤色偏差导致模型对深色皮肤敏感度下降40%。临床转化障碍还包括DL“黑箱”特性及图像采集协议差异（如光源角度影响颜色还原）。

Future Directions
多模态数据整合（如结合基因检测）、联邦学习（跨机构协作）和可解释AI（XAI）是突破重点。需建立涵盖6大肤色分型的标准化数据库（如Fitzpatrick量表）。

Conclusion
推动DL在黑色素瘤诊断中的公平应用，需平衡数据集肤色分布、规范图像采集流程，并开发针对肢端型黑色素瘤的特异性算法。