基于谐波棕熊优化迁移学习的皮肤癌智能检测方法CNN-TL_Hr-BOA研究

【编辑推荐】针对皮肤癌早期诊断中恶性与良性病变视觉相似性导致的识别难题，研究人员开发了融合谐波分析与棕熊优化算法(Hr-BOA)的迁移学习框架CNN-TL_Hr-BOA。通过Medav滤波去噪、PCF-Net病灶分割和超像素混合增强等技术，模型在SIIM-ISIC数据集上取得91.754%准确率，TPR达93.755%，为自动化皮肤癌筛查提供新范式。

　　

皮肤癌作为全球增长最快的恶性肿瘤之一，其早期诊断直接关乎患者生存率。然而临床实践中，恶性与良性病变的视觉相似性、专业 dermatologist（皮肤科医生）资源短缺以及传统 dermoscopy（皮肤镜）诊断75%-97%的准确率波动，共同构成早期筛查的"三重屏障"。更棘手的是，活检结果延迟和 inter-observer variation（观察者间差异）可能导致治疗窗口期的错过——据统计，经验不足的医生诊断准确率仅74%-85%。这些挑战催生了医学影像与人工智能的深度联姻，但现有 Deep Convolutional Neural Networks（DCNN）模型在噪声干扰、病灶尺寸变异等复杂场景下仍存在鲁棒性不足的缺陷。

针对这一关键科学问题，来自未知机构的研究团队在《Computational Biology and Chemistry》发表创新成果，提出融合谐波分析与群体智能优化的CNN-TL_Hr-BOA框架。该研究通过三阶段技术路线实现突破：首先采用Medav滤波器消除dermoscopic images（皮肤镜图像）中的噪声干扰；随后通过Position and Context Information Fusion Network（PCF-Net）实现像素级病灶分割，其创新性地融合位置与上下文信息；最后引入自主研发的Harmonic Brown Bear Optimization（Hr-BOA）算法，将谐波分析的频域特性与Brown Bear Optimization Algorithm（棕熊优化算法）的全局搜索能力结合，在DenseNet迁移学习架构中实现超参数智能调优。研究使用SIIM-ISIC Melanoma Classification和Skin Cancer: Malignant vs. Benign两个公开数据集验证，90%训练集比例下达到行业领先指标。

方法论
研究团队构建的级联式处理流程包含四个核心技术：基于Medav滤波的预处理消除图像artifact（伪影）；PCF-Net通过双分支架构同步提取病灶空间位置与周围组织上下文特征；Superpixel-mixing（超像素混合）数据增强策略在保持病变结构完整性的同时提升样本多样性；Reductant Discrete Wavelet Transform（RDWT）与图像级特征构成多尺度特征表达。最终通过Hr-BOA优化的DenseNet迁移学习模型实现端到端分类，该混合算法通过谐波振荡机制避免传统metaheuristic（元启发式）算法陷入局部最优。

结果
在2633例临床图像测试中，模型展现出显著优势：准确率91.754%较传统InceptionV3提升6.2个百分点，True Positive Rate（TPR，真阳性率）93.755%意味着极低的恶性肿瘤漏诊风险，而89.766%的True Negative Rate（TNR，真阴性率）则减少了不必要的活检创伤。消融实验证实，Hr-BOA使模型收敛速度提升37%，且对光照变化和病灶形态变异具有更强适应性。

讨论与结论
该研究的突破性体现在三方面：技术层面，Hr-BOA首次将频域分析与生物群体行为模拟结合，为医学影像的智能优化提供新思路；临床层面，91.754%的准确率跨越了dermatologist（皮肤科医生）经验差异带来的诊断波动；工程层面，PCF-Net与Superpixel-mixing的协同使用解决了小样本训练的泛化性难题。作者Malathy Manickavasagam等指出，这一成果不仅适用于melanoma（黑色素瘤）筛查，其技术框架可扩展至乳腺癌、肺癌等医学影像分析领域，为AI辅助诊断系统的开发树立了新标杆。未来研究将聚焦于移动端部署和实时性优化，让这项技术惠及医疗资源匮乏地区。