《Scientific Reports》:DermNet: integrative CNN-ViT architecture for bias mitigation in dermatological diagnostics using advanced unsupervised lesion segmentation
编辑推荐:
本研究针对皮肤病诊断AI系统在深色皮肤人群中存在的准确率下降问题,提出了一种融合无监督病灶分割与轻量化CNN-Vision Transformer(ViT)混合架构的创新方案。通过结合Segment Anything Model(SAM)与HSV/YCbCr色彩空间变换技术,实现了无需标注掩模的病灶精准分割(平均IOU达90%),并构建了仅2.51百万参数的DermNet分类器,在SkinCon数据集上达到81%的验证准确率,显著提升了跨肤色诊断的公平性与可靠性。
在全球范围内,皮肤病影响着数百万人的身心健康,然而医疗资源分布不均导致高达80%的病例未能获得及时诊断,这种情况在发展中国家尤为严峻。更棘手的是,现有基于人工智能的皮肤病诊断系统往往存在显著的肤色偏见——由于训练数据过度依赖浅肤色人群图像,导致模型在深肤色人群上的诊断准确率下降8-12%。这种算法偏见使得棕色和黑色皮肤患者难以获得可靠的AI辅助诊断服务。
为解决这一痛点,来自COMSATS大学伊斯兰堡校区、卡内基梅隆大学等机构的研究团队在《Scientific Reports》发表了一项突破性研究。他们开发出名为DermNet的新型诊断框架,其核心创新在于通过无监督病灶分割技术剥离皮肤背景干扰,再结合轻量级混合神经网络架构,实现了跨肤色的高精度皮肤病分类。
技术路径的创新性突破
研究团队采用多模态技术融合策略:首先利用Meta发布的Segment Anything Model(ViT-H)进行初始语义分割,再结合HSV(色相-饱和度-明度)和YCbCr色彩空间的Otsu阈值化与自适应轮廓检测,构建出零样本分割管道。这种方法无需人工标注掩模,却能实现对不同肤色病灶的精准提取(图6展示了SAM模型在DDI数据集上达到90%的IOU)。分割后的纯病灶图像被输入到自主设计的DermNet分类器,该网络仅包含两个卷积层和ViT编码器,通过CNN捕捉局部特征与ViT提取全局上下文的协同作用,在保证81%分类准确率的同时,模型大小控制在10MB以内。
系统性验证结果
- 1.
分割性能跨肤色一致性
通过图16-19对不同肤色痤疮病例的分割对比显示,该方案在白色、棕色、黑色皮肤上均能完整提取病灶区域,有效消除了肤色差异对分割效果的影响。
- 2.
分类器偏差消减效果
如表7所示,使用分割后图像训练的DermNet验证准确率达81.02%,显著优于EfficientNetB3(75.88%)等预训练模型。特别值得注意的是,表6对比实验表明,未使用分割掩模的原始模型验证准确率仅为56%,证明病灶分离策略对提升模型泛化能力具有关键作用。
- 3.
资源效率优势
如表11数据所示,DermNet参数量(2.51M)仅为ResNet-18(11.7M)的21%,但在相同输入分辨率(224×224)下准确率提升近7个百分点,这种轻量化特性为移动端部署创造了条件。
临床转化与应用前景
研究者已开发出原型应用(图15),用户上传皮肤图像后系统可在20秒内返回TOP3疾病概率预测。这种技术框架不仅解决了诊断偏差问题,其模块化设计更为后续集成物联网(IoT)设备留下拓展空间,未来可结合时空数据实现对皮肌炎等系统性疾病的全病程监控。
该研究的核心价值在于构建了覆盖数据采集、病灶分割、疾病分类的完整偏见消减管道。通过将皮肤病图像还原为纯粹病灶特征,使诊断模型聚焦于病理表征而非肤色属性,为建立公平普惠的智慧医疗系统提供了技术范本。正如研究者所言,这项技术并非旨在替代皮肤科医生,而是作为辅助工具帮助医疗资源匮乏地区实现早期筛查,阻止疾病从轻微向严重阶段演变。