摘要
皮肤癌，尤其是黑色素瘤，因其发病率持续上升而成为一项重大的公共卫生问题。传统临床诊断方法存在若干局限性，包括观察者间变异性和误诊风险，这促使人们采用人工智能技术以实现皮肤病变的早期检测和可靠分类。在本研究中，我们提出了一种基于渐进式深度特征提取和分层特征融合的分层多级决策分类框架。所提出的架构采用权重冻结的预训练卷积神经网络（CNN）作为固定特征提取器，并在每一层级获得的特征表示直接复用于最终分类。处理流水线由若干顺序执行的阶段组成。在进行预处理或数据增强之前，采用两种评估方案来评估所提框架的鲁棒性：常规的80-20训练-测试集划分和五折交叉验证策略。随后，使用欠采样和过采样技术的组合来平衡训练数据，以缓解类别不平衡问题，同时可对测试集中高度过代表的类别施加可控的欠采样。重要的是，测试集仅由原始、未增强的图像组成。随后，对图像进行直方图均衡化预处理，并将其调整为指定分辨率。接着提取与皮肤病变相对应的感兴趣区域（ROI），然后使用预训练CNN进行深度特征提取。最后，将全局和专业化特征表示进行拼接，以构建丰富的分层表示用于最终分类阶段。与传统的扁平多类分类方法不同，所提出的框架将决策空间逐步分解为初始的二元分类阶段，随后进行专门化的细粒度分类。在不同决策层级提取的特征表示通过特征拼接进行分层复用，为最终分类阶段提供互补的全局和组别特定信息。这种分层策略提高了类别可分性，减少了视觉相似病变类别之间的歧义，并增强了所提系统的整体鲁棒性。在四个公开可用的皮肤镜数据集上评估了四种分类器：Nu-支持向量机（NuSVM）、线性判别分析（LDA）、伯努利朴素贝叶斯（BNB）和逻辑回归（LR）。研究了三类实验场景：二元分类、直接多类分类和所提出的两阶段分层分类框架。实验结果证明了所提方法的优越性，尤其是在PH2数据集上，二元分类准确率为98.43%，直接多类分类准确率为87.45%，分层分类准确率为96.00%。此外，五折交叉验证结果证实了所提框架在不同数据集和评估方案下的鲁棒性和泛化能力，突出了分层特征复用和分类器融合在计算机辅助皮肤病变诊断中的有效性。所提出的流水线依赖于分割掩膜来提取感兴趣区域；因此，分类性能可能会受到这些掩膜质量的影响。
