基于类别加权强化学习的皮肤癌图像分类方法研究：解决数据不平衡挑战的新策略

针对皮肤癌图像分类中数据不平衡导致的模型偏差问题，研究人员创新性地将类别加权奖励机制融入深度Q学习(DQN)框架，通过动态调整罕见类别的分类奖励权重，在HAM10000数据集上实现97.97%的准确率，为临床诊断提供了无需数据增强的精准分类方案。

　　

皮肤作为人体最大的器官，承担着抵御紫外线、调节体温等重要功能，但其暴露性也使其成为癌症高发部位。据国际癌症研究机构(IARC)统计，全球每年新增150万皮肤癌病例，其中黑色素瘤(Melanoma)致死率最高。传统诊断依赖活检和显微镜观察，存在分辨率低(0.2?μm)、操作风险大等局限。尽管深度学习(DL)在医学影像分析中展现出潜力，但皮肤癌领域面临HAM10000等数据集样本量不足(仅10,015张)、类别严重失衡等挑战，导致传统卷积神经网络(CNN)对罕见癌症类型识别率低下。

为解决这一难题，研究人员开发了基于类别加权强化学习(class-weighted RL)的创新框架。该方法在深度Q学习(Deep Q-Learning, DQN)中引入动态奖励机制：当智能体正确分类罕见类别(如黑色素瘤)时获得更高奖励，错误分类常见类别时承受更重惩罚。这种设计使模型在非增强的HAM10000原始数据集上取得突破性性能，准确率达97.97%，敏感性97.74%，特异性97.83%，显著优于现有5种对比模型。

关键技术包括：1) 构建基于DQN的皮肤病变分类框架；2) 设计动态类别加权奖励函数；3) 采用HAM10000七分类数据集(含基底细胞癌BCC、鳞状细胞癌SCC等)；4) 评估指标包含F₁
-Score、Precision等；5) 与现有CNN、迁移学习模型对比验证。

结果与讨论

1. 模型性能：在测试集上实现97.97%准确率，对罕见类别(如血管损伤VASC)的识别率提升23%，证明奖励机制有效缓解了类别偏差。
2. 对比实验：相较于传统数据增强方法，该方案在保持多数类性能的同时，将黑色素瘤的F₁
   -Score提高至97.70%。
3. 临床适用性：模型对含毛发、纹身等噪声的原生临床图像表现稳健，避免了传统方法需预处理的局限。

结论
该研究首次将类别加权机制成功整合到强化学习的医疗图像分析中，为数据不平衡问题提供了无需人工干预的解决方案。其97.83%的特异性表明模型可有效减少假阳性，对实现黑色素瘤早期诊断(5年生存率可达98.4%)具有重要临床意义。论文发表于《Expert Systems with Applications》，为RL在医学影像领域的应用开辟了新路径。