基于深度学习算法（EfficientNet-B0、VGG16和Inception-V3）的皮肤癌早期识别与分类研究

本研究针对皮肤癌早期诊断难题，利用EfficientNet-B0、VGG16和Inception-V3三种深度学习模型，在PH2和ISIC数据集上开展皮肤病变分类研究。结果表明，EfficientNet-B0模型表现最优，准确率达92%，显著优于传统方法，为开发移动端辅助诊断工具奠定基础，对提升皮肤癌早期筛查效率具有重要意义。

　　

皮肤癌是全球人类面临的重大健康挑战，其中恶性黑色素瘤（Melanoma）是最具侵袭性且致死率最高的类型。传统诊断依赖 dermatologist（皮肤科医生）的肉眼观察和 dermoscopy（皮肤镜）检查，但诊断精度通常仅在75-85%之间，且受限于医生经验和主观判断。早期检测对患者生存率至关重要——若黑色素瘤厚度超过3毫米，生存率会从100%骤降至59%。随着全球皮肤癌发病率以每年6%的速度增长，开发高效、准确的自动化诊断工具已成为迫切需求。

在这一背景下，Junaid Iqbal 等研究人员在《Journal of Genetic Engineering and Biotechnology》发表论文，探讨了利用深度学习算法实现皮肤癌的早期识别与分类。研究团队采用三种主流卷积神经网络（CNN）模型——EfficientNet-B0、VGG16 和 Inception-V3，在公开的 PH2 和 ISIC 皮肤病变数据集上进行了系统性的训练与验证。

研究主要采用了以下关键技术方法：使用 PH2（含200张 dermoscopic 图像，包括良性、可疑和恶性病变）和 ISIC（旨在降低黑色素瘤死亡率和减少不必要活检的公开数据集）作为数据来源；对图像进行了预处理（包括 resize、增强和噪声去除）；利用深度学习架构（如 VGG16 的连续3×3卷积层、Inception-V3 的因子化卷积和 EfficientNet-B0 的复合缩放策略）进行特征提取和分类；模型训练均进行了30个 epochs，并在80%训练数据和20%测试数据上评估了准确率、精确度（Precision）、召回率（Recall）和 F1-score 等指标。

3. Results

3.1. VGG16 model

VGG16 模型经过30轮训练后，训练准确率达到85%，验证准确率为80%。其混淆矩阵显示，在良性类别中，360张图像中有310被正确预测，50被误判为恶性；恶性类别中，300张图像中251例正确，49例错误。该模型的精确度、召回率和 F1-score 均在84-86%之间。

3.2. Inception-V3 model

Inception-V3 的训练准确率最终达到95%，验证准确率为87%。对于良性类别，258张图像中214例正确分类，44例错误；恶性类别中303张图像中274例正确，29例错误。其评估参数（精确度86.5%、召回率87%、F1-score 87%）优于 VGG16。

3.3. EfficientNet-B0 model

EfficientNet-B0 表现出最优性能，训练准确率高达98%，验证准确率达92%。在良性类别中，302张图像中270例正确预测，32例错误；恶性类别中302张图像中287例正确，15例错误。该模型的精确度（92.5%）、召回率（93%）和 F1-score（93%）均显著高于其他两个模型。

4. Discussion

本研究通过比较三种 CNN 模型的表现，证实 EfficientNet-B0 在皮肤癌分类任务中具有最高准确率和稳健性（92%）。其优势可能源于其复合缩放（compound scaling）策略，能够平衡网络深度、宽度和分辨率，更好地捕捉皮肤病变的细微特征（如色素网络和血管模式）。相比之下，VGG16 和 Inception-V3 虽仍具竞争力，但参数效率和泛化能力较弱。此外，研究还指出 dermoscopic 成像技术与 CNN 特征提取的高度契合性，强化了深度学习在皮肤病变分析中的生物合理性。

然而，研究也存在一定局限性：不同皮肤癌类型（如痣与黑色素瘤）的高相似性增加了分类难度；模型训练计算强度大，依赖高性能 GPU；当前结果基于特定数据集（PH2 和 ISIC），在真实临床场景中的泛化能力仍需进一步验证。

6. Conclusion and future directions

EfficientNet-B0 模型在皮肤癌早期诊断中展现出显著优势，准确率超越 VGG16（80%）和 Inception-V3（87%）。未来工作将聚焦于将该系统集成至移动平台，通过 user-friendly 界面使 healthcare professionals 能够实时访问和利用模型能力，从而提升诊断可及性和决策效率。需要注意的是，临床推广前还需进行大规模人群验证、可解释性优化、偏见评估（如不同肤色群体的性能差异）以及伦理和监管审批。

这项研究不仅推动了 AI 在医学影像分析中的应用，也为实现精准、高效的皮肤癌早期筛查提供了重要技术支撑。