基于YOLOv10的黑色素细胞痣检测：反向排除优化策略在黑色素瘤筛查中的创新应用

本研究提出一种基于YOLOv10框架的黑色素瘤筛查新范式，通过反向排除逻辑（"良性优先，排除恶性"）实现超高灵敏度检测。模型集成PP-LCNet主干网络、多尺度上下文注意力（MCA）模块和形状敏感损失函数（Shape-IoU），在 multicenter 数据集上达到97.69% mAP@0.5，假阴性率（FNR）仅0.27%，显著优于临床常用ABCDE规则和七点检查法，为早期黑色素瘤筛查提供高精度、低风险的技术路径。

　　

引言

恶性黑色素瘤作为致死率最高的皮肤恶性肿瘤，早期皮肤镜表现与良性黑色素细胞痣高度相似，导致常规视觉或皮肤镜检查存在高漏诊率和过度活检问题。本研究聚焦东亚人群，创新性地提出反向排除策略——即"先识别良性，再排除恶性"：完全符合良性痣标准的病变被视为低风险，其余则标记为高风险。基于实时检测器YOLOv10框架，研究团队进行了三项医学导向的升级：（i）采用PP-LCNet主干网络保留亚3毫米纹理特征；（ii）引入多尺度上下文注意力（MCA）颈部网络增强跨尺度特征聚合；（iii）使用Shape-IoU损失函数联合优化位置、尺度和曲率参数。

相关研究

早期自动化黑色素瘤检测依赖手工特征（如颜色直方图和灰度共生矩阵），对边界模糊、形态不规则或微小早期病灶的检测能力有限，漏诊率达25-30%。即使临床广泛使用的ABCDE规则或七点量表，当对称指数低于1.5时漏诊率仍超过40%。深度学习显著提升了整体准确率，ISIC 2017挑战赛中基于ResNet的卷积神经网络（CNN）达到83.7%平均分类准确率。然而数据集偏差和早期病变稀缺问题持续存在：ISIC 2020中经组织病理学确认的黑色素瘤仅占1.8%，模型缺乏对原位疾病的训练。

YOLOv10通过两阶段动态标签分配和解耦检测头提供实时高精度基线，官方实验显示mAP@0.5–0.95提升2.8个百分点，小目标AP进一步提升3.4个百分点。但整体假阴性率（FNR）仍超过0.5%的临床安全阈值，根本原因包括：八倍下采样使<3毫米痣在特征图上仅存1-3个像素；固定尺度PANet限制小痣mAP约75%；CIoU对弯曲边界不敏感，相对病理掩膜平均IoU差距达12个百分点。

临床病理学研究证实良性痣的形态稳定性：56个病变的双轴测量显示96.4%双侧对称距离≤0.1毫米；209张图像中99.0%的RGB颜色方差<0.10；296个案例中99.3%边缘梯度值>0.80。偏离这些特征显著增加恶性风险：237个随访病变中，存在对称性或颜色异质性的病变黑色素瘤阳性率达31.6%，优势比=5.7。相反，430个符合严格CASH标准的痣在五年内无一恶变，阴性预测值（NPV）达100%。这些统计资料支撑了"高精度良性识别导致恶性排除"策略的科学基础。

方法论

改进YOLOv10的黑色素细胞痣检测模型

YOLOv10基线结构及医学检测精度局限性分析

作为端到端检测框架，YOLOv10采用经典的三阶段Backbone–Neck–Head架构。CSPDarknet-Tiny主干网络在前两个阶段完成8倍空间下采样，虽然通过SPPF和PSA模块扩大感受野，但早期压缩使微痣（<3毫米）在特征图上仅占1-3个像素，抹除精细色素模式。59,090张皮肤镜图像研究中，此类病变平均召回率仅68.0%。

颈部网络中，从PANet继承的固定三级金字塔通过重复上采样和拼接融合尺度，但缺乏多尺度共存病变的自适应感受野机制，限制小痣mAP@0.5至75.0%。解耦头部结合SimOTA和任务对齐分配器缓解梯度耦合，但回归分支依赖默认CIoU损失；CIoU对弯曲边缘不敏感，当预测框接近真实框时退化为IoU。矩形框因此对圆形或轻度弯曲病变的拟合远差于形状敏感损失函数，预测与病理注释间的平均IoU差距达10-12个百分点，进一步降低分类置信度并增加漏检风险。

轻量级主干网络PP-LCNet的医学适配

为补偿CSPDarknet-Tiny对微痣（<3毫米）浅层纹理的过度压缩，本研究用PP-LCNet替换YOLOv10主干网络。网络以Stem Conv开始，多阶段深度可分离卷积，尾部追加5×5大核卷积堆栈，全程采用H-Swish激活和挤压激励（SE）注意力，全局平均池化后插入1×1卷积（1,280通道）强化全局聚合。实验表明，单独将ReLU切换为H-Swish可使ImageNet-1k Top-1准确率从55.58%提升至58.18%；添加SE后升至59.91%；5×5核与高维1×1卷积组合将准确率推至63.14%，明显优于同规模MobileNetV2（53.21%）和ShuffleNetV2（53.73%）。迁移至皮肤镜分析时，PP-LCNet对微弱色素网络和模糊边界的高度敏感性显著降低微痣漏检率，为后续"良性优先，恶性排除"工作流提供更高置信度支持。

多尺度上下文注意力机制的医学适配

为弥补PANet固定尺度融合对微痣上下文解析的限制，本研究将YOLOv10颈部网络中整个注意力分支替换为多维协作注意力（MCA）模块。MCA首先对输入特征并行执行平均、标准差和最大池化，利用三个统计量构建互补的亮度-纹理-极值背景。"压缩"阶段通过可学习权重动态平衡平均池化和标准差池化的贡献；"激励"阶段用1×k分组卷积替代SE-MLP降维防止通道信息失配，该策略在ImageNet-1k上带来1.8-2.6%的Top-1准确率增益。模块随后沿通道、宽度和高度维度独立建模注意力，对Sigmoid归一化权重取平均以抑制单分支噪声放大，从而同时解答"看哪里"和"看什么"的问题。

这种"多池化上下文–自适应融合–三维协作"方案显著提高对<3毫米低对比度病变的敏感性，降低小痣漏检率，为后续"良性优先，恶性排除"筛查框架提供所需精度。

形状敏感损失函数Shape-IoU的医学适应性改进

YOLOv10默认CIoU回归对弯曲或轻度凸边缘不敏感，导致预测框与病理真实框间平均IoU差距达12个百分点，从而降低分类置信度并增加漏检风险。本研究引入Shape-IoU，用三因子模型——相似性、形状偏差和尺度敏感性——替代纯重叠度量指标。在保留IoU作为结构一致性基线的同时，Shape-IoU添加水平和垂直权重w_w和h_h捕捉宽高比例，并通过凸包对角线标准化中心距离惩罚，使"中心偏移"按病变大小缩放。额外形状差异项Ω^shape对宽高差异应用指数衰减权重，对具有规则边界和稳定纵横比的目标（如良性痣）实施更严格拟合。该损失抑制"大框主导"，降低轻微错位早期黑色素瘤被标记为良性的机会，显著提高定位精度以满足临床低漏检率要求。

损失函数具体计算公式为：

L_Shape-IoU = 1 - IoU + distance^shape + 0.5 × Ω^shape

其中scale反映目标在数据集中的实际尺寸尺度因子；ω_x和h_x为水平和垂直加权系数，其值与真实框（GT）的宽高形状密切相关。

整体模型架构

改进后的检测网络保留YOLOv10单阶段端到端框架，但依次集成针对黑色素细胞痣特征的精密度增强模块，形成从浅到深的高分辨率信息链。内部信息流分为三个段落——纹理保真、多尺度聚合和形状敏感回归，逐步解决原始模型对小痣目标的检测瓶颈。

阶段1：纹理保真

640×640像素皮肤镜图像进入基于PP-LCNet的主干网络。以3×3/2 Stem Conv开启高分辨率通道，主干网络顺序堆叠七组深度可分离卷积。前四组保持1/4和1/8分辨率，保留直径<3毫米痣的像素级纹理。输出1/16和1/32特征层后，主干网络通过5×5 SPPF扩大感受野，并使用SE-PSA重新校准全局通道。产生三个互补多尺度特征图：P3（1/8）、P4（1/16）和P5（1/32）。

阶段2：多尺度聚合

三个特征图进入改进版PANet。网络首先将P5上采样2倍并与P4拼接，经C2f融合生成P4′。P4′随后上采样并与P3拼接产生P3′。同时，P3′和P4′通过3×3/2 SCDown下采样至更深层，增强语义密度形成P4″和P5″。在这些节点（P3′、P4″、P5″）之前，系统插入多尺度上下文注意力（MCA）层。MCA首先对输入特征执行并行平均池化和标准差池化编码亮度和纹理离散度；随后独立计算通道、宽度和高度分支的注意力权重，通过Sigmoid动态映射到0-1范围。三维加权特征——记为M-P3、M-P4、M-P5——携带针对小低对比度病变优化的上下文表示。

阶段3：形状敏感回归

校准后的特征馈入解耦v10Detect头部。在保留YOLOv10三分支结构的同时，检测头部用Shape-IoU替代CIoU进行边界回归。新损失函数在IoU基础上引入尺度权重、中心距离惩罚和纵横比差异项，为弧形或轻度弯曲边界提供更陡峭梯度反馈。训练期间，"一对一"和"一对多"双分支标签分配并行操作。推理时仅保留一对一分支，直接从M-P3、M-P4和M-P5尺度输出最终检测框和类别置信度，无需依赖NMS后处理。

多中心数据集构建

数据来源与图像标注标准

本研究主要训练数据采集自同一医疗机构下的三家三级甲等医院，确保成像协议和设备参数的横向一致性。共2,040张皮肤镜图像经临床检查确认为良性黑色素细胞痣。

通过临床双盲评估与专家裁定协议建立数据集金标准：患者接受标准化成像（10-20倍偏振皮肤镜）；两名主治医师及以上职称皮肤科医生独立解读匿名图像，应用ABCD评分和良性痣形态标准（对称性、颜色均匀性、边界清晰度）分类病变；分歧评估由第三位高级别专家（副主任医师及以上）复审；未解决图像被排除。保留图像满足严格标准：清晰对焦、均匀照明、无显著伪影。

外部测试集构建

为独立验证反向排除模型对恶性病变的可靠性，本研究单独构建包含纯早期黑色素瘤的外部测试集。所有案例满足病理金标准：仅包含手术切除或活检且病理报告明确诊断为"黑色素瘤"的病变图像，缺乏活检确认或仅基于临床判断的图像被排除。经筛选编译365张活检阳性黑色素瘤皮肤镜图像，仅作为模型训练后的独立测试集，不用于任何训练或超参数调优。

参与者皮肤光型与毛发遮挡特征

所有2,405张皮肤镜图像（2,040良性痣；365黑色素瘤）来自东亚人群。两名认证皮肤科医生在双盲条件下独立评估Fitzpatrick皮肤类型、毛发遮挡等级和解剖部位；分歧由第三位专家裁定（Cohen's κ=0.92）。首先用DullRazor算法筛查毛发干扰，然后人工审核。仅保留满足UQI>0.95和NIQE<5.0的图像。

皮肤光型集中在Fitzpatrick II-III型。总毛发遮挡仅占6.11%，浓密终毛占比小于1.79%，表明对图像质量或特征提取的干扰可忽略。虽然包含17个解剖部位，但研究靶向早期黑色素瘤的皮肤镜表型；站点信息记录仅确保证均衡采样。由于种族同质性、窄皮肤型范围、最小毛发干扰和均匀部位分布，不需要额外数据集分层。但这种均匀性意味着数据集及任何基于其训练的模型目前仅适用于Fitzpatrick II-III皮肤类型的东亚人群；更广泛临床部署前需进行跨不同肤色和种族背景的外部验证。

实验设计与环境配置

评估指标定义

本章使用统一阈值和多个指标评估模型性能。当检测置信度≥0.5时标记为阳性；仅当预测框与真实框IoU≥0.5且类别正确时计为真阳性（TP），否则为误检。核心指标是mAP@0.5，辅以mAP@0.95、精确度、召回率、模型大小（Wsz, MB）和推理延迟（ms）。此处mAP@0.5是IoU=0.5时类别平均精度（AP）的均值，而mAP@0.95是从IoU 0.50到0.95以0.05为步长计算的平均AP，反映边界框定位精度。0.5置信阈值平衡更高精确度与足够召回率，提供黑色素细胞痣检测性能的综合度量。

实验环境配置与训练过程

使用单一高性能GPU服务器作为硬件基础设施，计算和存储资源满足640×640像素输入批量大小64的要求。软件栈标准化于Ubuntu 20.04 + Python 3.9 + CUDA 10.1 + PyTorch 1.10.1。

所有消融和比较模型遵循统一超参数基线，确保性能差异仅源于网络架构差异。完整训练和评估过程如下：

（1）数据准备：主要数据集（2,040痣图像）按患者ID以9:1比例分割为训练集（1,836）和验证集（204）。像素值归一化至[0,1]，随后使用ImageNet均值（0.485, 0.456, 0.406）和标准差（0.229, 0.224, 0.225）进行通道级标准化。

（2）在线数据增强：训练阶段增强包括几何、光度、噪声和遮挡类别。

（3）训练过程：模型使用超参数训练100轮。每5轮评估验证集mAP@0.5；如果15轮无改进则提前停止训练。

（4）推理与评估：图像经过标准化和保持纵横比的填充，无随机扰动。应用统一置信阈值0.5；YOLO系列禁用NMS以保持端到端特性，而SSD保留默认NMS。选择验证集mAP@0.5最高的检查点作为最终模型。

消融实验设计

为分离PP-LCNet主干网络、MCA注意力机制和Shape-IoU损失函数对模型性能的独立贡献，通过逐步集成改进模块设计五个消融实验。消融实验遵循以下设计原则：变量隔离：每次实验仅引入一个改进模块防止多变量耦合和归因模糊；数据分区：训练集和验证集完全分离消除数据泄露风险；超参数冻结：学习率、批量大小等参数严格与基线模型对齐，修改仅限于目标模块。

比较实验设计

为验证改进模型相对于现有目标检测方法的竞争力，选择六个主流检测模型作为基线比较。为验证所提出改进的普遍性，比较实验涵盖YOLO系列内的纵向迭代和与两阶段框架的跨范式评估。YOLO家族——包括带轻量CSPNet的YOLOv5、带任务对齐动态分配器的YOLOv8、带递归门控卷积特征重用的YOLOv9-t和带空间-通道双维动态建模的YOLO11——构成与多尺度上下文建模策略直接平行的单阶段检测器世代序列，建立方法论对话。SSD作为代表性两阶段检测器，突出锚基于机制和NMS后处理在异质病变场景中的局限性，其中锚预设可能导致匹配错误，从而作为评估无锚单阶段框架医学适应性的关键基准。所有模型在严格患者级数据隔离、标准化输入分辨率（双线性插值+零填充保持纵横比）和相同优化设置下评估，确保结果差异纯粹反映算法变异。

结果

消融实验揭示模块贡献

为全面评估每个改进模块对模型性能的具体贡献，本研究通过消融实验系统分析YOLOv10基线模型与其变体之间的性能差异。

使用mAP@0.5（IoU阈值0.5处的平均平均精度）作为核心评估指标，辅以mAP@0.95、精确度（P）、召回率（R）、模型大小（Wsz, MB）和推理延迟（ms）提供模型性能的整体分析。

消融实验表明每个模块显著提升性能。用PP-LCNet替换主干网络使mAP@0.5从95.61%升至97.17%，mAP@0.95至79.12%，精确度/召回率达97.28%/93.38%。引入MCA模块将mAP@0.5提升至96.43%，精确度94.21%，召回率91.95%，证明对多尺度目标特别有效。采用Shape-IoU使mAP@0.5和mAP@0.95分别增至96.58%和78.59%，精确度96.04%，证明边界拟合显著改善。当所有三个模块结合时，模型达到97.69%的mAP@0.5——相对基线增益2.08个百分点——同时mAP@0.95达79.39%，精确度/召回率平衡于94.41%/95.65%，验证PP-LCNet特征提取、MCA多尺度感知和Shape-IoU形状敏感回归的互补效益。

所有变体中模型足迹保持严格受限（5.37-5.51 MB），表明每个模块的参数很大程度上被PP-LCNet的通道稀疏性和权重共享设计抵消。关键的是，推理延迟在Jetson NX上保持在35毫秒以下（≈29 FPS），完整模型甚至达到32.02毫秒——所有消融设置中最快尽管其最高准确率。这种"免费性能"特征意味着完整配置为边缘/移动部署提供最佳权衡：满足实时阈值（>25 FPS），适配8 MB闪存预算，并为连续操作保留热余量。如果功率约束进一步收紧，仅PP-LCNet变体（32.47毫秒）提供优雅回退且准确率牺牲最小。

比较实验验证模型优越性

为验证所提出改进模型相对于现有模型的优越性，设计比较实验，涵盖多个经典目标检测模型包括YOLO系列不同版本（YOLOv10、YOLOv11、YOLOv5、YOLOv8、YOLOv9-t）和传统SSD（单次多框检测器）。

比较结果显示基线YOLOv10在黑色素细胞痣检测中优于所有其他模型。例如，其mAP@0.5比YOLOv11高0.73个百分点，具有更好的精确度-召回率平衡。在mAP@0.5上超过YOLOv5达4.35%，在mAP@0.95上超过17.08%，表明在小病变检测上具有明显优势。YOLOv10的mAP@0.5比YOLOv8高0.22%，反映更优细粒度特征提取。虽然YOLOv10的精确度（92.17%）略低于YOLOv9-t（97.66%），但YOLOv10实现更高召回率和mAP@0.5。最后，YOLOv10的mAP@0.5比SSD高2.28%，突出无锚框架的益处。

尺寸5.37 MB和延迟32毫秒（≈31 FPS），完整YOLOv10变体既是测试中最轻模型也是最快模型。相比之下，其他模型要么更重（例如SSD为14 MB）要么更慢（YOLOv5每图像需41毫秒），确认YOLOv10对实时、设备上筛查的适用性。

模型鲁棒性分析

模型鲁棒性对于确保黑色素细胞痣检测中可靠高精度性能至关重要。

我们分析训练期间模型的损失函数曲线。box_loss、cls_loss和dfl_loss值在早期轮次迅速下降随后稳定在低值。验证集损失曲线显示类似下降并与训练集曲线紧密镜像，仅最小差异。表明未发生显著过拟合或欠拟合。如此迅速稳定收敛证明模型优化过程的有效性。

精确度和召回率指标趋势进一步证明模型鲁棒性。精确度在初始训练阶段快速上升随后稳定在0.95以上且波动极小。类似地，召回率快速改进并稳定在0.90以上水平。两个指标保持持续高值表明模型有效检测大多数黑色素细胞痣（高召回率）同时很少误分类良性病变为恶性（高精确度）。这些结果验证模型在实际使用中的稳定性能和可靠性。

此外，平均平均精度指标（mAP@0.5和mAP@0.5–0.95）显示类似稳定模式。mAP@0.5开始时快速爬升随后达到大致0.98高平台且波动最小。更严格mAP@0.5–0.95指标也稳定上升最终稳定在0.80左右。这些观察确认模型在更严格IoU阈值下保持高定位精度，增强其整体鲁棒性和精确边界拟合能力。

总之，损失曲线和评估指标突出模型在检测黑色素细胞痣中强大、高水平性能。这种稳定可靠性能为临床实践中实施反向排除黑色素瘤策略提供关键技术基础。

临床反向排除验证

研究目标与逻辑前提

本章评估所提出"黑色素细胞痣识别+反向排除"策略的临床安全性。由于模型专属性识别良性特征"黑色素细胞痣"，筛查逻辑如下：

如果模型将案例分类为"黑色素细胞痣"，则视为"低风险"且不推荐活检。

否则，案例归类为"非痣"并分类为高风险，需要进一步干预。

在此框架下，假阴性（FN）定义被反转："误识别黑色素瘤为黑色素细胞痣"（错误将恶性分类为良性），携带显著临床风险。

因此，假阴性率（FNR）作为核心评估指标以确定此反向排除策略是否满足足够安全标准（即FNR≤0.5%）。

模型检测过程

实验利用第四章构建的独立外部测试集，包含365张经活检确认的黑色素瘤皮肤镜图像，无黑色素细胞痣或其他良性病变，确保明确分类。

所有图像经过标准化归一化并通过改进模型进行推理。模型专属性检测"黑色素细胞痣"类别：

检测边界框指示"黑色素细胞痣"分类。

缺乏边界框指示"非黑色素细胞痣"分类。

假阴性率计算

根据临床反向排除定义，假阴性率（FNR）计算为：

FNR = FN / (TP + FN)

其中，FN（假阴性）：误分类黑色素瘤为黑色素细胞痣（即标记恶性为良性）；TP（真阳性）：正确分类黑色素瘤为"非黑色素细胞痣"（即识别高风险病变）。

实验结果

365个黑色素瘤样本中，模型未能检测黑色素细胞痣364例（TN），同时误分类1例为痣（FN）且检测置信度0.5。

误分类病变的形态学分析

被网络误标记为良性黑色素细胞痣的皮肤镜图像呈现多个几何和拓扑特征的早期黑色素瘤标志，这些特征逃逸当前模型。

使用Zhang–Suen算法细化二值掩膜，结果骨架（石灰绿）叠加在皮肤镜图像上。高分支密度和众多终端节点指示不规则外周生长并提示主肿瘤块外的卫星侵袭。

尺度分辨光谱精炼此观察：在16像素至64像素间局部分形维数保持在1.92–1.95范围，而超过128像素时突然接近2.0。这些双平台指示粗小叶凸起和细针状结构共存，这种架构模式在早期浸润性黑色素瘤中频繁报道。

形状频率分析支持此结论。椭圆傅里叶幅度谱衰减缓慢直至第20谐波；每个高于第三谐波的分量超过10^?2，而良性轮廓通常低于该阈值一到两个数量级。保留的高频功率确认原始轮廓中已可见的微凹陷丰富性。

几何对称性同样受损。极坐标径向距离轨迹振荡约平均半径32%，沿60°–120°和240°–300°方向呈现明显峰值。

归一化偏差直方图明显双峰：约41%边界像素偏离平均半径超过10%，而良性对照很少超过15%。这些测量满足ABCDE规则的不对称条款并增强恶性印象。

总之，五个定量视图证明过度边界复杂性、多尺度锯齿和明显双侧不对称——黑色素瘤的三个独立形态学特征。卷积神经网络仍产生0.5良性概率，暗示其决策由均匀中央色素主导同时很大程度上忽略高阶几何线索。

假阴性率（FNR）与皮肤科医生使用ABCDE规则和7点检查法的基准比较

在早期黑色素瘤筛查中，临床金标准仍然是有经验皮肤科医生的视觉评估，支持于两个指南认可评分系统——ABCDE规则和7点检查法。证明相对这些真实世界决策基准的明显性能优势对于建立任何AI模型的安全性和效用至关重要。相应地，本节基准增强YOLOv10框架相对操作在这两个评分范式中的皮肤科医生，聚焦关键安全指标假阴性率（FNR）。

为消除记忆和顺序偏差，三名≥10年经验皮肤科医生在双盲、两轮协议中独立解读相同组365张组织病理学确认的黑色素瘤图像。第一轮仅应用ABCDE规则；四周洗脱期后，图像顺序重新随机化并使用仅7点检查法进行第二轮。所有读者隐藏病理结果和模型输出。

模型在365例中仅遗漏一例黑色素瘤，产生的FNR大致比皮肤科医生使用任一种常规评分系统低四十倍（McNemar p<0.001）。这种显著减少突出模型优越的诊断安全边际，特别是在早期黑色素瘤筛查中最小化假阴性结果。

结论

本研究通过提出新颖"良性优先，反向排除"工作流解决持续存在的黑色素瘤漏诊问题。在此方法中，模型首先置信地识别黑色素细胞痣然后推断黑色素瘤缺失。在YOLOv10框架内，我们引入三个具体升级：（i）轻量级PP-LCNet主干网络对抗精细（亚3毫米）纹理细节丢失；（ii）多尺度上下文注意力（MCA）模块改进跨尺度特征融合；（iii）形状感知Shape-IoU损失用于更准确边界拟合。

在多中心良性痣数据集上，增强检测器达到97.69% mAP@0.5和0.94精确度与0.96召回率。最关键