《DIGITAL HEALTH》：MelaResNet-34: An enhanced transfer learning model for automated and accurate melanoma diagnosis
编辑推荐：
背景：黑色素瘤是一种侵袭性皮肤癌，需要早期诊断。然而，使用皮肤镜的手工诊断流程高度依赖临床经验，且本质上易受观察者间高主观性影响。因此，开发高效、客观的自动化辅助诊断模型仍具有重要临床价值。方法：研究人员提出MelaResNet-34，一种基于迁移学习的自动化
背景：黑色素瘤是一种侵袭性皮肤癌，需要早期诊断。然而，使用皮肤镜的手工诊断流程高度依赖临床经验，且本质上易受观察者间高主观性影响。因此，开发高效、客观的自动化辅助诊断模型仍具有重要临床价值。方法：研究人员提出MelaResNet-34，一种基于迁移学习的自动化黑色素瘤检测模型。研究人员使用ISIC 2019数据集，实施数据清洗和适度数据增强。通过定制微调策略优化ResNet-34骨干网络。遵循严格的7.5:2.5内部划分，使用综合指标（准确率、曲线下面积（AUC）、F1分数（F1-score）、马修斯相关系数（MCC））评估性能。关键的是，在独立PH2数据集上进行了外部验证。结果：在内部验证中，MelaResNet-34达到97.76%准确率、0.987 AUC和0.955 MCC，相对于经典基线和当代最先进架构均表现出高度竞争力。消融实验验证了迁移学习和适度数据增强的必要作用。此外，PH2数据集上的外部验证确认了稳健泛化性（91.0%准确率、0.938 AUC），尽管存在机构间域偏移。结论：MelaResNet-34表现出优越的分类和泛化能力，突显其作为临床医生高效、客观诊断工具的潜力。尽管当前结果令人鼓舞，在常规临床实施前仍需未来大规模、多中心前瞻性验证。
研究背景与问题：黑色素瘤起源于黑素细胞，是高度恶性的皮肤癌，全球发病率持续上升，在长期紫外线暴露地区尤为突出。其侵袭性和转移性高，是皮肤癌相关死亡的主要原因之一；早期诊断和及时治疗对生存至关重要，I期诊断的5年生存率可达98%，而IV期可降至20%以下。黑色素瘤早期表现常与普通黑素细胞痣相似，且具有较大的病理异质性以及不规则的颜色、形态和边界，准确诊断极具挑战。临床诊断主要依赖皮肤镜（dermoscopy）观察，但皮肤镜判读需要受过专业训练的皮肤科医生，诊断准确性高度依赖操作者经验；已有研究显示，即使经验丰富的皮肤科医生诊断黑色素瘤的准确率也仅为75%–84%，非专业医生或初学者可能更低。皮肤镜诊断主观性强，不同医生间判断差异较大，且随着发病率上升，皮肤科医生资源相对有限，患者等待时间延长，影响早期干预效果。近年来人工智能和深度学习技术快速发展，卷积神经网络（CNN，convolutional neural network）等模型在医学图像分类、特征提取和模式识别中表现突出，计算机辅助诊断（CAD，computer-aided diagnosis）逐渐成为医学图像分析的重要工具。但现有研究仍存在局限：多数模型依赖大规模标注数据，高质量医学影像获取和标注成本高，限制泛化能力；部分研究仅基于单中心数据集，缺乏外部独立测试验证，在不同人群和设备条件下适应性差；多数深度学习模型为黑箱模型，缺乏可解释性，限制临床信任和应用。因此，研究人员提出基于迁移学习（transfer learning）的皮肤病变影像识别技术，构建MelaResNet-34，以提升黑色素瘤等皮肤病变的自动化识别能力，并在有限数据环境下优化性能、泛化能力和可解释性。
研究开展与结论意义：研究人员使用国际ISIC 2019数据集进行数据清洗和处理，以保证数据质量和一致性；通过迁移学习改进预训练ResNet-34模型，加速训练并提高泛化能力；引入随机水平翻转、颜色抖动和随机旋转等适度数据增强（data augmentation）策略，增强模型在不同条件下的稳健性；使用注意力热图技术揭示模型决策关键区域。研究采用回顾性、观察性人工智能研究设计，遵循TRIPOD-AI声明。内部按7.5:2.5划分训练集和验证集，并实施病变级隔离以防数据泄漏；训练集包括4023例黑素细胞痣和4400例良恶性黑色素瘤样本，验证集包括1341例黑素细胞痣和1468例良恶性黑色素瘤样本。外部验证使用葡萄牙Pedro Hispano Hospital的独立PH2数据集，共200幅皮肤镜图像（160例黑素细胞痣、40例黑色素瘤），与ISIC训练队列无患者或机构重叠。研究得出，MelaResNet-34在内部验证中准确率为97.76%（95% CI：97.14%–98.25%），AUC为0.987（95% CI：0.979–0.993），MCC为0.955，优于经典基线和当代最先进架构；外部PH2验证准确率为91.0%，AUC为0.938，显示稳健泛化能力。研究意义在于，该模型在较短训练时间和较低计算成本下取得较高分类性能，具有作为高效、客观临床辅助诊断工具的潜力，可辅助初步筛查、诊断决策支持、远程医疗和基层医疗应用，并为多模态医学影像诊断提供技术基础；但常规临床实施前仍需大规模、多中心前瞻性验证。
关键技术方法（≤250字）：研究采用回顾性观察性AI设计并遵循TRIPOD-AI；样本来自公开ISIC 2019 Challenge数据集，经清洗后按7.5:2.5划分并实施病变级隔离，外部验证采用葡萄牙Pedro Hispano Hospital的独立PH2数据集（200幅皮肤镜图像：160例痣、40例黑色素瘤）。以ImageNet-1K预训练ResNet-34为骨干，截断原分类头并替换为全局平均池化（GAP）、256维全连接层、ReLU激活、Dropout（0.5）和Sigmoid二分类头；采用两阶段微调，先冻结骨干训练分类头，后解冻深层，并使用Adam、二元交叉熵（BCE）损失、动态学习率调整和早停。数据增强包括随机水平/垂直翻转、旋转、颜色抖动和高斯模糊；评价采用ROC/AUC、混淆矩阵指标、95%CI bootstrap与DeLong检验，并用Grad-CAM进行可解释性分析。
研究结果：
Experimental Setup（实验设置）：研究在Ubuntu 20.04、Python 3.8、PyTorch 1.10.0、Cuda 11.3及NVIDIA RTX 3090 GPU和Intel(R) Xeon(R) Silver 4210 CPU @ 2.20GHz环境下进行，通过调整学习率、优化器类型和批大小等参数优化所有模型，并按7.5:2.5划分训练集和验证集，为后续模型比较提供统一实验条件。
Model Results（模型结果）：
Training process（训练过程）：MelaResNet-34使用ImageNet-1K预训练权重初始化，采用判别式两阶段微调：第1–10轮冻结全部卷积骨干，仅训练新增分类头；第11–100轮解冻深层残差阶段（layers 3和4），全网络使用Adam优化器和二元交叉熵损失联合优化。分类头基础学习率为0.001，解冻骨干为1e-4，采用ReduceLROnPlateau动态降低学习率，并引入权重衰减1×10
?4作为L2正则化，批大小为32，最多训练100轮，并以验证损失早停（patience为15轮）。训练和验证迭代曲线显示模型训练过程稳定。
Results of the proposed transfer learning model（所提出迁移学习模型的结果）：内部验证显示，MelaResNet-34准确率为97.76%（95% CI：97.14%–98.25%），AUC为0.987（95% CI：0.979–0.993），精确率（PPV）为98.15%，阴性预测值（NPV）为97.33%，F1分数为97.85%，MCC为0.955；DeLong检验表明其AUC在统计学上优于所有评估的基线模型（均P < 0.001），说明迁移学习提高了模型泛化能力和医学影像数据处理效果。
Results of Ablation Experiments（消融实验结果）：通过比较不同数据增强和迁移学习组合，light_aug_transfer表现最佳，heavy_aug_transfer仍保持较高准确率但略低于最佳模型，light_aug_no_transfer和heavy_aug_no_transfer表明缺乏迁移学习时数据增强不能完全弥补模型学习不足；消融实验验证了迁移学习和适度数据增强的关键作用，过度增强可能引入噪声。
Comparison with other models（与其他模型比较）：与AlexNet、GoogleNet、MobileNet、VGG等经典CNN及DenseNet-121、ConvNeXt-Tiny、EfficientNet-B0、ViT-B/16等当代最先进架构比较，MelaResNet-34诊断性能更优；DenseNet-121和ConvNeXt-Tiny准确率分别为96.44%和96.12%，未超过MelaResNet-34，ViT-B/16准确率为94.52%，收敛相对较差。MelaResNet-34约2180万参数，VGG超过1.3亿参数，显示其在架构复杂度、计算成本和分类效能之间取得较好平衡。
Visualization and clinical interpretative analysis（可视化与临床解释分析）：使用Grad-CAM（Gradient-weighted Class Activation Mapping）生成热图，黑色素瘤样本中模型主要关注异常色素沉着和不规则边缘区域，痣样本中主要关注病变中央均匀区域，与皮肤科医生依据的临床特征一致；定量评估中，MelaResNet-34对黑色素瘤和黑素细胞痣的pointing game准确率分别为94.3%和96.1%，Grad-CAM激活图与病变分割掩膜的平均交并比（IoU，Intersection over Union）分别为0.71 ± 0.12和0.68 ± 0.09，表明模型决策锚定于临床相关形态特征而非背景伪影。
External validation on an independent cohort（独立队列外部验证）：在独立PH2数据集上，MelaResNet-34准确率为91.0%，AUC为0.938，敏感度为87.5%，特异度为91.9%，F1分数为79.6%，MCC为0.743；相较内部验证性能有边缘下降，符合机构间域偏移（domain shift）现象，但仍优于同一外部数据集上的GoogleNet（85.5%）和AlexNet（84.0%），显示稳健外推能力。
讨论与结论：讨论部分总结认为，MelaResNet-34在内部测试集取得97.76%准确率和0.987 AUC，F1分数97.85%、MCC 0.955，显著优于AlexNet、GoogleNet、MobileNet、VGG等传统模型；外部PH2验证取得91.0%准确率，显示跨域泛化能力；Grad-CAM分析显示模型关注区域与临床诊断依据高度一致，增强可解释性；消融实验确认迁移学习与适度数据增强是性能提升关键，过度增强可能引入噪声，缺乏迁移学习则泛化能力较弱。与经典模型相比，MelaResNet-34在计算复杂度和分类性能之间取得良好平衡。临床潜力包括辅助初步筛查、诊断决策支持、远程医疗和基层医疗机构应用，并为多模态医学影像诊断提供技术基础。局限包括：仅关注黑色素瘤与黑素细胞痣的二分类，未覆盖更广泛皮肤病变；PH2外部验证样本量较小（200幅）且来自单一机构；ISIC等大规模聚合公共数据库存在元数据不完整，部分队列缺乏唯一患者标识；Grad-CAM可解释性有限，未来可结合SHAP或LIME，并需大规模、前瞻性、多中心临床验证，同时考虑数据隐私、医生交互体验和系统集成。
研究结论（翻译）：本研究提出了基于改进迁移学习的黑色素瘤自动诊断模型MelaResNet-34，并通过ISIC数据集进行训练和验证。实验结果表明，该模型在黑色素瘤分类任务中表现出较高准确率（97.76%）和AUC（0.987），优于本研究中评估的基线深度学习模型。同时，使用Grad-CAM热图进行可视化分析，验证了模型决策过程中关注的关键区域与临床医生诊断依据一致，增强了模型可解释性。本研究证明迁移学习结合适度数据增强能够有效提高模型泛化能力，为计算机辅助皮肤病诊断提供新的技术方案。未来需要进一步在多中心真实临床数据上验证模型稳定性，优化其可解释性和临床可用性，推动智能皮损检测技术的实际应用。
