基于自适应增强视觉融合与改进MobileNet架构的皮肤病精准分类深度学习框架及其诊断性能提升研究

为解决皮肤疾病诊断中光照变化、噪声和视觉失真等挑战，研究人员开发了Dermo-Transfer深度学习框架，结合MobileNet架构与密集残差块，集成量子支持向量机(QSVM)分类器。该研究在77,314张皮肤图像数据集上实现最高99%的分类准确率，显著优于SkinLesNet和MobileNet V2-LSTM模型，并通过物联网设备实现高效部署，为临床诊断提供高精度自动化解决方案。

　　

皮肤疾病诊断长期面临光照不均、图像噪声和临床异质性等挑战，传统机器学习方法难以应对复杂多变的病灶特征。据世界卫生组织统计，全球每年新增200-300万皮肤癌病例，其中1/3癌症诊断与皮肤病变相关，早期精准分类对治疗至关重要。现有基于卷积神经网络(CNN)的模型如ResNet和DenseNet虽取得进展，但存在梯度消失、过拟合及计算效率低等问题，尤其在移动端部署时表现受限。

为突破这些限制，研究人员提出创新性Dermo-Transfer框架，通过融合改进的MobileNet架构与量子计算技术，构建皮肤病分类新范式。该研究整合四种临床相关数据集（PAD-UFES-20-Modified、HAM10000等），总计77,314张涵盖黑色素瘤(Melanoma)、基底细胞癌(BCC)等12类皮肤病变图像。核心创新在于：1）设计含密集块(Dense Block)和残差连接(Residual Connection)的MobileNet变体，解决深层网络训练难题；2）开发自适应增强视觉融合(AEVF)技术，集成伽马校正、直方图均衡化等预处理方法；3）引入量子支持向量机(QSVM)分类器提升多分类性能。

关键技术方法包括：1）采用ANOVA F-test进行特征选择；2）构建含全局平均池化(GAP)的混合网络架构；3）应用梯度加权类激活映射(Grad-CAM)增强模型可解释性；4）通过几何变换实现数据增强。实验设备采用Dell-i9 CPU与NVIDIA GPU平台，图像统一标准化为700×600像素。

研究结果显示：1）在PAD-UFES-20-Modified数据集达到99%准确率，F1-score 0.99；2）十分类皮肤病数据集验证中取得98.5%准确率；3）HAM10000数据集表现优于MobileNet V2-LSTM 3.66个百分点；4）IoT设备测试显示模型仅需96.9 MFLOPs计算量，适合移动端部署。状态对比实验证实，Dermo-Transfer在特异性(93.5%)和灵敏度(90%)上均超越现有方案，且TPU加速下推理速度提升60%。

讨论部分强调，该研究通过量子-经典混合计算范式，首次实现皮肤病分类的"精度-效率"双突破。临床意义体现在：1）AEVF技术有效克服光照干扰；2）残差密集块设计减少45%参数量；3）QSVM提供置信度评分增强诊断可靠性。未来工作将探索神经架构搜索(NAS)与三维病灶特征提取，进一步推动AI辅助皮肤病学发展。该成果发表于《SLAS Technology》，为智慧医疗提供可落地的技术方案。