基于深度学习的皮肤癌病灶自动早期诊断与分类系统Skin-DeepNet的研发与验证

本研究针对皮肤癌诊断中病灶视觉差异细微、人工诊断准确率低（仅60%）的临床痛点，开发了集成Mask R-CNN与GrabCut算法的双阶段深度学习框架Skin-DeepNet。通过HRNet-DBN双特征提取架构与XGBoost决策融合策略，在ISIC 2019和HAM10000数据集上分别实现99.65%和100%的分类准确率，AUC高达99.94%，为临床提供高精度AI辅助诊断工具。

　　

皮肤癌作为全球重大健康威胁，每年仅美国就有超9万新增病例。尽管早期诊断可显著提升生存率（如黑色素瘤五年生存率达92%），但临床依赖的肉眼检查准确率仅60%，即使采用皮肤镜检测（准确率89%），仍难以区分早期病灶的细微特征。这种"视觉诊断困境"催生了计算机辅助诊断(CAD)系统的需求，而传统方法受限于手工特征提取的局限性，亟需更智能的解决方案。

Alaa S. Al-Waisy团队在《Scientific Reports》发表的这项研究，创新性地构建了Skin-DeepNet系统。该系统采用双阶段预处理流程：首先通过自适应伽马校正(AGCWD)增强图像对比度，再结合形态学运算实现毛发去除。病灶分割阶段融合Mask R-CNN（基于ResNet50骨干网络）与GrabCut算法，在ISIC 2019数据集获得99.93%的交并比(IOU)。特征提取采用HRNet高分辨率网络与注意力机制的双通道设计，配合深度信念网络(DBN)进行特征优化，最终通过XGBoost等集成学习方法实现决策融合。

图像分割评估

在ISIC 2019数据集上，结合GrabCut的ResNet50骨干网络将IOU从88.23%提升至99.94%，Dice系数达98.78%。可视化结果显示，系统能精准识别不同形态的病灶边界（如图10所示）。

分类模型性能

HRNet骨干网络在ISIC 2019数据集表现最优（准确率97.54%），而1024-2048-1024架构的DBN模型达到98.66%准确率。决策融合阶段，XGBoost将整体性能提升至99.65%准确率（AUC 99.94%），对黑色素细胞痣的识别召回率达99.9%。

跨数据集验证

在HAM10000数据集实现100%准确率，所有类别的F1-score均超过99.9%。值得注意的是，该系统对临床罕见的血管病变仍保持100%召回率，证明其处理类别不平衡的能力。

这项研究通过多模态深度学习框架，首次实现接近完美的皮肤癌分类性能。其创新性体现在三方面：1）融合物理模型（GrabCut）与深度学习的分割策略；2）HRNet-DBN协同的特征学习机制；3）面向临床应用的决策融合体系。相比现有技术（如DSCC_Net的94.17%准确率），性能提升显著。未来研究可探索该框架在移动医疗设备的部署，以及通过联邦学习增强数据隐私保护。该成果为AI辅助皮肤病诊断树立了新标杆，对实现WHO早诊早治目标具有重要实践价值。