基于深度学习的指甲疾病诊断：依托DERMANet架构与ConvNeXt及CBAM技术

《Array》：Deep Learning-Based Nail Disease Diagnosis Leveraging the DERMANet Architecture with ConvNeXt and CBAM

　　R. Bhuvanya|T. Kujani|M. Mohamed Iqbal|Ankur Dumka|Rajesh Singh|Anita Gehlot|Amit Kumar Thakur|Sudhanshu Dogra|Anil Ghubade
斯里拉马昌德拉工程与技术学院，斯里拉马昌德拉高等教育与研究学院，印度泰米尔纳德邦金奈

**摘要**
由于不同类型指甲疾病在视觉上的相似性和细微的形态学差异，准确分类银屑病和甲真菌病等指甲疾病仍然是一个具有临床意义的问题。本文介绍了一种新的深度学习结构——皮肤病学神经网络（DERMANet），旨在实现指甲疾病的自动分类。该新方法结合了ConvNeXt主干网络和卷积块注意力模块（CBAM），以强化空间和通道级别的特征重校准，从而提高模型对诊断关键区域的关注度。使用包含三个类别的标准指甲疾病数据集对模型进行了评估：健康指甲、银屑病和甲真菌病。在相同的训练条件下，将与Convolutional Neural Network、ResNet 50、VGG 16、Vision Transformer和传统ConvNeXt进行了对比实验。在所有测试的架构中，DERMANet模型的分类准确率最高，达到97%，具有最佳的区分能力和泛化性能。实证研究结果证实了将注意力机制与先进的卷积架构结合在准确性和稳健的皮肤镜图像分析中的有效性。该模型有望应用于计算机辅助皮肤病学诊断，支持对指甲病变的快速和客观评估。

**缩写**
DNN（皮肤病学神经网络）
CBAM（卷积块注意力模块）
ANN（人工神经网络）
ResNet 50（残差网络）
CNN（卷积神经网络）
VGG 16（视觉几何组）
ConvNeXt（卷积网络Next）
CLAHE（对比度限制自适应直方图均衡化）
KNN（K最近邻）
SVMS（支持向量机）
RGB（红、绿、蓝）
AI（人工智能）
MATLAB（矩阵实验室）
HOG（定向梯度直方图）
LBP（局部二值模式）
NAPSIN（指甲银屑病严重指数）
DCCL（深度宫颈细胞学水平）
LSIV（结节性皮肤病病毒）
XAI（可解释AI）
ReLU（修正线性单元）
Grad-CAM（梯度加权类别激活映射）
LIME（局部可解释模型不可知解释）
ViT（视觉变换器）
GeLU（高斯误差线性单元）
ROI（感兴趣区域）
LN（层归一化）

**1. 引言**
随着皮肤病和系统性疾病变得越来越普遍，对非侵入性、经济高效且高效的诊断方法的需求也在不断增长。指甲的结构虽然在临床实践中常被忽视，但它可以作为多种内部疾病的重要可见指标。由于其外围结构以及易受血管和代谢异常的影响，指甲常常表现出可以指示系统性疾病或皮肤病的形态变化。例如，甲真菌病、指甲银屑病、贫血、心血管疾病甚至肝脏疾病都与指甲改变有明确的关联。传统上，无论是传统医学还是阿育吠陀医学的医生都会通过观察眼睛、舌头、皮肤和指甲等外部特征来推断内部健康状况。然而，指甲特征的视觉评估仍然具有主观性，高度依赖于临床经验，并且存在观察者间的差异。深度学习（DL）和卷积神经网络（CNN）的出现彻底改变了医学图像的分析方式，在皮肤病变检测、皮肤镜分类和放射学筛查等任务中达到了接近人类甚至超人的能力。尽管这些领域已经取得了成功，但指甲图像分类的研究仍然不足，主要是因为缺乏标记数据集以及识别指甲疾病细微视觉差异的复杂性。为了解决这一难题，我们提出了创新的混合架构DERMANet，用于自动分类指甲疾病。DERMANet结合了分层特征提取效率高的ConvNeXt主干网络和卷积块注意力模块（CBAM），使网络能够选择性地关注具有区分性的空间和通道特征。该深度模型在一个精心策划的数据集上进行了测试，该数据集包含三种类型的指甲：健康指甲、银屑病指甲和甲真菌病指甲，这些情况普遍存在且视觉上相似。

指甲银屑病和甲真菌病在某些方面具有形态上的相似性，这使得自动分类变得困难。指甲银屑病的特征包括指甲凹陷、油滴状外观、指甲下层增厚（甲床下角化过度）以及指甲板的碎裂（由指甲基质和下方甲床的炎症引起）。甲真菌病是一种真菌感染，通常表现为黄色或棕色变色、指甲增厚、指甲下层积聚碎屑以及不规则的指甲表面。指甲银屑病和甲真菌病之间的视觉区别可能很微妙；因此，临床专家必须能够区分这两种情况，尤其是在疾病的早期阶段。由于指甲的质地、颜色分布、结构异常和病变位置存在细微差别，精确区分这两种疾病取决于检测这些特征组合中的微小变化的能力。最近的一些研究表明，ConvNeXt架构在医疗保健和工程等多个领域都表现出高效性；例如，使用ConvNeXt的混合架构在皮肤病变分类、乳腺癌诊断和医学图像分割等任务中展现了高准确率。此外，增强注意力的ConvNeXt架构在关注临床相关区域和结构相关区域时表现出高水平的可解释性和准确性。

**2. 文献综述**
指甲疾病反映了多种不同的健康问题，会对患者的生活质量产生显著负面影响，因此需要准确及时的诊断。传统上，指甲疾病的诊断基于临床评估和专家判断，这两者都可能具有主观性和耗时性。计算机视觉（CV）和机器学习（ML）技术的最新进展促进了自动化指甲疾病检测系统的发展，为皮肤科医生提供了帮助。各种技术如卷积神经网络（CNN）、支持向量机（SVM）和随机森林已被应用于指甲的皮肤镜或照片图像，并取得了有希望的结果。然而，在自动化指甲疾病检测广泛普及之前，仍需克服一些挑战，如指甲外观的变异性、照明条件的差异以及多种类型的指甲疾病。Maniyan和Shivakumar [12] 的研究表明，他们开发了一种基于图像处理和机器学习的指甲图像分析系统，该系统通过分析指甲颜色来检测疾病。指甲图像首先使用CLAHE进行预处理并转换为灰度图像，然后提取特征并与现有的训练数据集进行比较。仅基于颜色特征的三种独立测试的平均准确率为65%。许多使用其他深度学习方法的先前研究报道的准确率高达84.58%。这种方法面临的挑战包括数据集多样性有限以及对手指甲区域选择的手动依赖性。该系统的早期检测准确率声称超过了人类的视觉检测能力，因为系统能够识别出细微的颜色变化，从而实现疾病的早期诊断。Indi和Patil [13] 提出了一种基于机器学习技术的早期疾病检测系统，该系统通过分析手指指甲来识别疾病。该系统会获取手指指甲的图像，分割月牙区和指甲板，使用定向梯度直方图和局部二值模式提取特征，最后使用支持向量机、多类支持向量机和卷积神经网络对提取的特征进行分类，并通过蚁群优化算法提高分类准确性。研究人员的实验表明，CNN在疾病分类方面的准确率显著高于多类SVM（后者在指甲板照片上的准确率为88%）。作者还提出，未来的工作将利用区块链技术来提高患者信息处理的透明度。Nithya等人 [14] 提出了一种利用指甲图像颜色分析来识别早期疾病的创新系统。该方法首先使用网络摄像头获取指甲图像，并用中值滤波器对其进行分割，然后提取RGB颜色特征，再通过SVM算法进行分类。一旦完成分类，就可以根据指甲的颜色变化识别出多种疾病，如真菌病、贫血等。与传统的视觉检查方法相比，目前尚无实时硬件实现这种技术，且需要进一步的大规模测试。未来的研究机会包括提高疾病分类的准确性和整合增强疾病分类的算法与诊断硬件组件。Ankar等人 [15] 的研究表明，ConvNeXt架构在辅助诊断和跟踪现有指甲病变（如色素沉着障碍、感染、炎症性疾病和结缔组织疾病）方面取得了显著效果。这些研究指出，对于特定疾病（如黑色素瘤、银屑病和结缔组织疾病），存在特定的诊断模式。因此，为了准确诊断，必须系统地评估指甲板、甲床、指甲褶皱和指甲板的自由边缘。Sharine等人 [16] 的文章讨论了人工智能（AI）在指甲疾病诊断和治疗中的当前和未来应用。AI，特别是深度学习算法，在指甲图像分析、自动严重程度评估和辅助诊断方面具有巨大潜力，甚至在某些情况下超越了皮肤科医生的能力。然而，数据不可用性、图像多样性和监管要求等问题限制了其广泛应用。Abdulhadi [17] 利用五种预训练的CNN模型（AlexNet、VGG16、GoogleNet、ResNet50、DenseNet201）在MATLAB中进行迁移学习，以分类四种类型的人类指甲状况（健康、色素沉着、杵状指和真菌感染）。该数据集由Abdulhadi创建，因为没有公开的指甲疾病图像数据集；数据集包含280张图片，经过增强处理以提高准确性。表现最好的两个深度学习模型DenseNet201和ResNet50的准确率达到了96.39%，而其他三个模型GoogleNet（93.98%）、AlexNet（92.5%）和VGG16（87.5%）的准确率较低。目前还没有标准化的数据集用于指甲疾病图像的分类，也没有研究比较不同类型的深度学习架构在指甲疾病图像分类中的效果，因此这项研究填补了现有知识领域的空白。另一项研究[18]开发了一个基于深度学习的可解释系统，用于监测指甲色素沉着情况，以协助早期诊断甲下黑色素瘤。Chen等人报告称，他们使用U-Net分割模型从皮肤镜图像中准确分割出指甲和色素区域，分割结果的dice系数分别为0.9652和0.8711。该研究通过解决对CNN高度可解释性的需求，为指甲疾病的监测提供了一种智能、非侵入性的方法。D.K. Lee和S.R. Lipner[19]综合回顾了使用PubMed上的同行评审文献和既定临床指南中最常见的指甲疾病，包括脆甲综合征、甲癣（影响全球5.5%的人口，60岁以上人群中比例为20%）、甲沟炎和指甲银屑病（50-79%的银屑病患者患有此病）以及纵向甲黑素沉着症。他们分析了4种与指甲相关的信息（临床试验、诊断测试、治疗结果），并讨论了治疗指甲疾病的关键发现和基于证据的技术。Dhanashree等人[20]提出了一种利用机器学习技术检测指甲疾病的方法，通过对指甲图像进行分割，并使用HOG和LBP等技术提取特征（颜色、纹理、形状），然后通过多类SVM和CNN进行分类，这些算法通过蚁群优化进行了优化。结果显示，该模型使用Kaggle数据集进行分类时准确率为95%，精确度为93%，F1值为87%。他们的指甲疾病检测系统可以提高早期疾病检测的准确性，超越了人类的视觉判断能力，但仍需要改进匿名化技术和收集更大、更多样化的数据集。Regin等人[21]提出了一种基于深度学习的早期指甲疾病检测系统，使用CNN（AlexNet）架构。图像经过预处理、特征提取（颜色、形状、纹理）和分类，该模型准确率为95%，精确度为90%，优于VGG16（76%）和Inception V3（94.39%）。与手动流程相比，该系统提高了诊断的准确性。然而，研究存在的挑战包括数据量不足、缺乏标准的指甲疾病图像数据库以及缺乏实时环境下的验证。未来的发展将涉及更多数据、模式识别和基于症状的分类，以提高准确性。Venkataranganathan等人[22]引入了一种利用指甲图像处理进行早期疾病诊断的非侵入性系统。图像经过分割和预处理，然后基于颜色、纹理和形状提取特征，分类使用CNN和SVM算法。CNN算法的准确率为95.6%，高于SVM算法。该方法能够根据指甲特征成功识别贫血和真菌感染等疾病。然而，研究仍存在数据标注不足、实时实施问题以及需要与临床诊断整合的挑战。AI正在通过处理指甲图像来改变 nailology 领域，例如识别甲癣、甲下黑色素瘤和指甲银屑病等疾病。Folle等人[23]开发的DeepNAPSI是一种极其有效的深度学习方法，用于根据指甲照片评估指甲银屑病的严重程度。他们认为这种方法可以自动化NAPSI评分，宏观和微观评估的接收者操作特征曲线下面积分别为0.83和0.86。Marulkar和Narain[24]提出了一种利用颜色和其他特征识别和分类九种指甲疾病的方法，该方法在深度学习框架中实现了87.33%的准确率。他们使用传统的CNN方法开发了训练数据集，超越了RF、SVM和ANN等传统AI算法的性能。Tang等人[25]采用ConvNeXt算法，提供了一种有效的高精度分类技术，用于宫颈癌癌前病变的检测，该方法克服了传统HPV检测和宫颈细胞学方法的局限性。他们的方法利用自我监督的数据增强和多种学习方法来增强从癌细胞中提取特征的能力，并提高了区分这些细胞类型的能力。为了实现比以往更高的分类准确率，他们分析了Deep Cervical Cytology Levels（DCCL）数据集，发现分类准确率提高了8.85%。他们的研究的局限性在于仅使用了一个数据集，以及宫颈细胞形态学复杂性带来的挑战。Parthasarathi等人[26]开发了一种使用深度学习从Kaggle上的图像中分类皮肤疾病（如痤疮、指甲真菌和皮肤过敏）的方法。评估了多种模型：CNN（60%）、带有LSTM的RNN（75%）、ResNet（70.9%）、ANN（90%）和ResMLP（100%准确率，0%损失），后者优于其他模型。ResMLP采用残差连接和多层感知器来创建更好的学习过程并减少过拟合的可能性。该模型通过预处理图像、提取特征并使用反向传播进行训练。研究的主要挑战包括超参数调优、需要在真实世界环境中进行临床验证以及在多个医疗环境中部署的复杂性，因此需要进一步优化才能实际应用当前系统。Chuenchit等人[27]提出了一个基于深度学习的六种不同指甲状况的分类框架，使用CNN。在精心策划的数据集上，该技术取得了令人满意的准确率，并有潜力改善皮肤科的临床决策。然而，由于数据集缺乏人口多样性，模型的泛化能力可能受到限制。该模型尚未在临床测试和实际应用中完全成熟，这可能会影响其实际可靠性。W. Yu等人[28]描述了InceptionNeXt，这是一种混合架构，结合了Inception模块和ConvNeXt，通过并行处理和大核分解提高了Inception的准确率和吞吐量。与其他模型相比，该模型在大型图像分类基准测试中表现优异。然而，架构复杂性可能在边缘设备或移动设备上带来部署挑战，同时其性能仍在实时应用中进行评估。Shandilya等人[29]描述了一种用于早期诊断指甲疾病的混合胶囊CNN架构，可能提高诊断准确性。胶囊网络用于捕获图像中指甲的空间层次结构。但他们也提到，数据集的大小和多样性限制了模型对多种临床条件的泛化能力。J.Yan等人[30]提出了一种改进的基于ConvNeXt的柑橘病分类模型，该模型结合了颜色和其他特征，实现了87.33%的准确率。他们使用传统的CNN方法开发了这一模型，并与皮肤科医生合作开发了训练数据集，超越了RF、SVM和ANN等传统AI算法的性能。Tang等人[25]采用ConvNeXt算法，提供了一种有效的高精度宫颈癌癌前病变分类技术，解决了传统HPV检测和宫颈细胞学的局限性。他们的方法利用自我监督的数据增强和多种学习方法加强了从癌细胞中提取特征的能力，并提高了区分这些细胞类型的能力。为了实现比以往更高的分类准确率，他们分析了Deep Cervical Cytology Levels（DCCL）数据集，准确率提高了8.85%。他们的研究的局限性在于只能使用一个数据集，以及宫颈细胞形态学的复杂性。Parthasarathi等人[26]开发了一种使用深度学习从Kaggle图像中分类皮肤状况的方法，包括痤疮、指甲真菌和皮肤过敏。评估了多种模型：CNN（60%）、带有LSTM的RNN（75%）、ResNet（70.9%）、ANN（90%）和ResMLP（100%准确率，0%损失），优于其他模型。ResMLP采用残差连接和多层感知器来创造更好的学习过程并减少过拟合的可能性。该模型通过预处理图像、提取特征并使用反向传播进行训练。研究的主要挑战包括超参数调整、需要在现实世界环境中进行临床验证以及在多个医疗环境中的扩展和部署复杂性。Chuenchit等人[27]提出了一个基于深度学习的六种不同指甲状况的分类框架，使用CNN。在精心策划的数据集上，该技术取得了有希望的准确率，并有潜力改进皮肤科的临床决策。然而，由于数据集缺乏人口多样性，模型的泛化能力可能受到限制。该模型尚未在临床测试和实际应用中完全成熟。W. Yu等人[28]描述了InceptionNeXt，这是一种混合架构，结合了Inception模块和ConvNeXt，通过并行处理和大核分解提高了Inception的准确率和吞吐量。与其他模型相比，该模型在处理大型图像分类基准测试中表现优异。然而，架构复杂性可能在部署（特别是在边缘或移动设备上）时带来挑战，同时其性能仍在实时应用中进行评估。Shandilya等人[29]描述了一种用于早期诊断指甲疾病的混合胶囊CNN架构，可能提高诊断准确性。胶囊网络用于捕捉图像中的指甲空间层次结构。然而，他们也提到数据集的大小和多样性限制了模型对多种临床条件的泛化能力。J.Yan等人[30]提出了一种改进的基于ConvNeXt的柑橘病分类模型，该模型包含修改后的卷积块注意力模块和并行路径，以增强对病变特征的提取。多尺度特征融合模块提高了对不同疾病特征的灵活性。Transfer learning与ImageNet的使用解决了数据量少的问题，实现了98.07%的准确率。该方法显著减少了对现有昂贵检测方法的依赖。然而，缺点包括由于transfer learning可能导致过拟合，以及需要更多样化的数据集以实现更广泛的适用性。注意力机制的应用提高了分类准确性。多项现有研究都证明了这一点。Mujahid等人[31]提出了一种深度学习模型，结合了CBAM DenseNet-169和空间注意力，用于基于图像的疾病分类，以应对牲畜中Lumpy Skin illness Virus（LSDV）的日益严重的威胁。为了克服数据稀缺问题，该研究使用数据增强和DCGAN生成的图像获取了一个小而异构的LSD、猴痘和水痘照片数据集。该模型在增强数据上的准确率为99.11%，优于许多基准架构（如VGG-16、ResNet-50和Inception-V3）。此外，还采用了Grad-CAM和LIME等可解释AI（XAI）方法来突出重要疾病特征并提高解释性。然而，研究的局限性包括数据集较小、可能过拟合以及需要在更大人群中进行进一步临床验证和标准化。Tian H等人[32]解决了正确区分浆液性（SCN）和黏液性（MCN）胰腺囊性肿瘤的临床难题。他们使用CBAM（卷积块注意力模块）升级了DenseNet-161模型，以增强对关键空间和通道特征的关注，在最终决策层之前引入了11个统计学上显著的临床特征。对于最终分类，他们采用了联合投票技术，结合了MRI图像和临床数据的预测。所提出的模型准确率为92.44%，AUC为0.971。然而，缺点包括使用2D MRI切片而非更有用的3D数据，以及需要在外部和多中心数据集上进行验证。Slimi等人[33]提出了一种用于早期和准确检测阿尔茨海默病（AD）的深度学习架构CAPCBAM，该架构结合了胶囊网络和CBAM。胶囊网络利用动态路由保持空间层次结构，而CBAM通过空间和通道注意力细化特征图，从而提高特征相关性。该模型使用ADNI数据集进行训练，产生了包括99.95%准确率、99.8%精确度和强泛化能力的出色结果。Hanum等人[34]提出了一种模型，通过结合视觉变换器和CBAM来有效分类各种皮肤病变。他们结合了五个公共数据集创建了一个包含39种病变类型的精心策划的数据集，并使用常规程序进行了平衡。在所有研究的架构中，ViT+CBAM的表现最好，准确率为93.46%，精确率为94%，召回率为93%。该模型在分类时能够同时考虑全局和局部图像上下文；然而，该模型在关联图像视觉相似性方面的分类时存在困难。这项工作的三个主要局限性包括因视觉相似性导致的误分类、独特类别的样本不足，以及在现实场景中需要多种模态以提供更可靠的部署。文献回顾显示，目前大多数可用的指甲疾病分类模型存在局限性。大多数模型使用小型、自创建的和非公开的数据集，这些数据集在人口多样性方面有限，导致模型的泛化和公平性降低。许多指甲疾病分类模型目前使用浅层卷积神经网络（CNN）或传统的机器学习算法（包括支持向量机（SVM）和人工神经网络（ANN）来分类指甲状况，这限制了它们学习复杂和/或独特特征的能力。很少有指甲疾病分类模型包含能够捕捉指甲图像最重要区域的注意力机制。此外，许多这些模型的应用受到限制，因为需要人工选择感兴趣区域（ROI）或调整参数；这两者都会降低模型的可扩展性和自动化程度。另外，当前许多使用深度学习算法的模型缺乏可解释性，这会显著限制临床对其的信任度。最后，目前可用的任何指甲分类模型都未使用实时数据或临床环境进行验证，也没有模型被研究其在现实世界环境中的整合能力以及利用硬件开发实际解决方案的可能性。提出的DERMANet方法具有以下优点：

**增强的特征表示**：为了提高对诊断上重要的指甲区域的关注度，DERMANet将CBAM与ConvNeXt主干网络相结合，后者能够提取特定的局部特征。这种组合使算法能够通过捕捉纹理、形状和颜色的微小差异来准确分类指甲疾病。

**强大的泛化能力**：该架构具有出色的灵活性，因为它同时利用了基于注意力的细化和分层卷积特征；DERMANet表现良好，准确率达到97%。

**3. 方法论**
诊断指甲疾病（如银屑病、甲真菌病和健康指甲）是皮肤科的一个重要方面。近年来，基于深度学习的方法在医学图像分析方面显示出很大的潜力，许多创新和架构改进进一步提升了这些模型的性能，包括ConvNeXt和注意力技术（CBAM）。我们提出了一种新的统一模型，它结合并扩展了现有的ConvNeXt架构和CBAM的通道和空间注意力机制，通过关注有用区域来改进特征表示。我们的DERMANet模型旨在利用这两种架构来提高诊断指甲疾病时的分类准确性和鲁棒性。

**3.1. DERMANet**
ConvNeXt模型是一种先进的卷积神经网络（CNN），它结合了传统卷积架构和最新的变换器方法，如Vision Transformers（ViT）[36]中所展示的。ConvNeXt采用了多个不同于早期版本的架构变化，从而提高了性能，但可能牺牲了一些效率。与其他模型不同，ConvNeXt使用较大的卷积来识别更大尺度的空间关系，并且深度可分离的卷积允许在保持相似准确性的同时减少总体参数数量。ConvNeXt与许多其他CNN的主要区别在于它使用层归一化而不是批量归一化，这使得模型能够适应不同数量的训练样本，并在多次训练会话中提供更多一致性[37]。该模型采用了GELU激活函数，与其他标准的ReLU激活函数相比，GELU具有更平滑和更好的梯度行为，确保了更稳定的训练过程。ConvNeXt还进一步利用了类似ResNet模型中的瓶颈概念，通过反向瓶颈优化学习和参数。可扩展性是ConvNeXt的一个主要优势，它可以根据任务需要在深度和宽度上进行扩展，并且在标准图像分类数据集上表现良好。通过利用CNN的基础知识和受变换器启发的改进（如更大的核尺寸和更高级的归一化技术），ConvNeXt为现代计算机视觉任务提供了一种稳定、高效且可扩展的方法，在准确性和泛化能力方面通常优于标准CNN。

**图2**显示了ConvNeXt架构中的一个模块。输入张量的初始通道深度为96，首先通过一个7×7的大核进行深度卷积处理。这一操作在大部分接受域上学习精细的空间上下文方面起着关键作用。为了保持恒定的训练动态和对不同批量大小的鲁棒性，实施了层归一化（LN），沿通道轴而不是批量对特征图进行归一化。然后使用点卷积（1×1核）将特征维度从96增加到384，以便模型能够学习更具表现力和抽象性的表示。输出随后通过GELU激活函数处理，该函数引入了平滑的非线性，并在许多深度学习任务中证明优于标准ReLU。

**后续，第二个点卷积将深度缩小回96个通道，以保持计算效率和残差路径的一致性。之后使用跳跃连接，将初始输入张量直接加到处理后的输出中。这个残差链接对于帮助训练过程通过增强的梯度流动和克服梯度消失问题至关重要。该块的输出随后传递到网络中的下一个阶段，同时保持效率和表示深度。**所提出的工作将ConvNeXt架构与卷积块注意力模块相结合。**卷积块注意力模块是一种轻量级但有效的注意力机制，通过沿通道和空间轴的顺序应用注意力来丰富卷积神经网络的表示能力[38]。CBAM最初使用通道注意力来确定哪些特征图是重要的，然后使用空间注意力来找到图像中关键信息的位置。这种双注意力方法使CBAM能够自适应地学习和细化特征图，从而提高包括分类、检测和分割在内的多种计算机视觉任务的性能。最近的研究继续支持和扩展CBAM的有效性。例如，Zhou等人[39]将CBAM结合在一个轻量级的深度模型中用于医学图像分类，并在较小的计算成本下展示了更高的准确性。CBAM的模块化特征使其可以方便地集成到不同的CNN架构中，如ResNet、MobileNet和EfficientNet，使其成为基于注意力的特征细化的有用补充[40, 41, 42]。**图3(a)**显示了CBAM架构的块图，以及图3(b)和(c)中所示的通道注意力模块和空间注意力模块。

**图3 (a). CBAM的块图**
**图3 (b). 通道注意力模块**
**图3 (c). 空间注意力模块**

**提出的DERMANet模型遵循ConvNeXt-Tiny中的3, 3, 3, 9块配置**。这里在每个ConvNeXt块堆叠后都集成了CBAM模块。DERMANet的架构块如图4所示。输入是一个RGB指甲图像，其尺寸为H×W×C，其中H和W为224，C为3。这可以数学表达为方程(1)：

(1)
**图4. DERMANet框架**
ConvNeXt主干网络使用4×4的卷积核和步长4对输入图像进行补丁化处理，有效增加了通道深度同时减少了空间维度。给定输入尺寸224×224，这一卷积操作将空间维度缩小到56×56。ConvNeXt主干产生96个输出通道，这些通道由卷积滤波器决定。因此，方程(1)可以重写为方程(2)。

**方程(2)**
在第一个阶段中，三个ConvNeXt块之后跟着一个CBAM模块。通常，每个ConvNeXt块通过使用点卷积、层归一化和深度卷积来保留空间维度和通道深度。**

**方程(3)**
在第一个阶段使用了3个卷积块，这些块之后的维度保持不变。在每个阶段都应用了CBAM注意力模块，进一步整合了通道和空间注意力模块来增强特征表示。

**方程(4)-(5)**
描述了通道和空间注意力模块。其中σ表示Sigmoid激活函数，AvgPool和MaxPool分别表示全局平均池化和全局最大池化操作，Concat表示通道级别的连接，表示带有特定核大小的卷积操作。MLP表示由两个全连接层组成的多层感知器，中间使用了非线性激活函数ReLU，用于捕获通道级别的特征依赖性。它们的输出逐元素相乘，得到方程(6)中的结果。

**方程(6)**
因此，输出维度保持不变，符合方程(7)。

**方程(7)**
在第二阶段进行下采样操作，使用2×2的卷积和步长2，将空间维度减半，即28×28，并将通道深度增加到192。因此，C变为192。第二阶段也使用3个ConvNeXt块，然后是一个CBAM模块。因此，第二阶段可以表示为方程(8)和(9)。

**方程(8)-(9)**
对于第三阶段和第四阶段，下采样使用2×2的卷积和步长2，进一步将空间维度减半，同时将通道深度分别减少到384和768。方程(10)和(11)显示了第三阶段和第四阶段的输出维度。

**方程(10)**
所提出的架构在第三阶段采用9个ConvNeXt块，在第四阶段采用3个ConvNeXt块，以捕获更深入的分层特征，类似于ConvNeXt-Tiny框架。

**方程(11)**
在第四阶段之后，应用全局平均池化（GAP）通过计算每个特征图在其空间维度上的平均激活值来聚合空间信息。给定输入张量，GAP操作在每个通道基础上定义，如方程(12)所示。

**方程(12)**
结果，GAP产生了如方程(13)中提到的维度特征表示。

**方程(13)**
全连接层将来自GAP的768维向量转换为3维输出，对应于健康、银屑病和甲真菌病的分类类别。转换定义如方程(14)所示。

**方程(14)**
在分类过程中，softmax层作为最后一个激活函数，将全连接（FC）层的原始输出logits转换为三个目标类别的标准化概率分布。这确保了网络的预测可以被解释为加起来为一的类别概率，允许模型选择最可能的类别标签。方程(15)显示了softmax层的功能，其中n表示类别的数量。

**表1中的算法1**展示了从输入处理到最终类别预测的模型流程的每个步骤，详细概述了所提出的DERMANet架构的操作流程。它以224×224×3的指甲图像作为输入，执行深度学习过程，并将其分类为三个类别：甲真菌病、银屑病和健康。第01-03行的第一个卷积层使用4×4的核和步长4提取低级特征，生成56×56×96的特征图。第04-10行应用三个ConvNeXt块和CBAM注意力模块，同时保持尺寸。第11-18行通过下采样生成28×28×192的张量（第二阶段），然后将其通过三个具有192通道的ConvNeXt块和CBAM。第19-26行表明第三阶段通过再次下采样将空间维度缩小到14×14×384，应用九个具有384通道的ConvNeXt块，并添加另一个CBAM模块。第27-34行通过进一步下采样、三个ConvNeXt块（768通道）和CBAM处理后，生成7×7×768的张量。第35-37行使用全局平均池化将输出尺寸缩小到1×1×768。然后通过第38-40行中的全连接层将其映射到1×1×3。第41-42行使用softmax函数将原始分数转换为类别概率，第43行返回结果。DERMANet算法框架
算法1：DERMANet_for_Nail_classification
输入：指甲图像（大小为224×224×3的张量）
输出：三个类别的概率（健康、银屑病和甲癣）

开始
01：// 初始卷积
02：ConvNeXt_output ← 卷积(image, kernel_size=4×4, stride=4, num_filters=96)
03：// 输出：56×56×96
04：// 第一阶段
05：stage1_output ← ConvNeXt_output
06：FOR i ← 1 TO 3 DO
07：stage1_output ← ConvNeXtBlock(stage1_output, num_channels=96)
08：END FOR
09：stage1_output ← CBAM(stage1_output)
10：// 输出：56×56×96
11：// 第二阶段（下采样 _ ConvNextBlock）
12：downsampled_output ← Conv2×2(stage1_output, stride = 2, num_channels = 192)
13：stage2_output ← downsampled_output
14：FOR i ← 1 TO 3 DO
15：stage2_output ← ConvNeXtBlock(stage2_output, num_channels=192)
16：END FOR
17：stage2_output ← CBAM(stage2_output)
18：// 输出：28×28×192
19：// 第三阶段
20：downsampled_output ← Conv2×2(stage2_output, stride = 2, num_channels = 384)
21：stage3_output ← downsampled_output
22：FOR i ← 1 TO 9 DO
23：stage3_output ← ConvNeXtBlock(stage3_output, num_channels=384)
24：END FOR
25：stage3_output ← CBAM(stage3_output)
26：// 输出：14×14×384
27：// 第四阶段
28：downsampled_output ← Conv2×2(stage3_output, stride = 2, num_channels = 768)
29：stage4_output ← downsampled_output
30：FOR i ← 1 TO 3 DO
31：stage4_output ← ConvNeXtBlock(stage4_output, num_channels=768)
32：END FOR
33：stage4_output ← CBAMschedule4_output)
34：// 输出：7×7×768
35：// 全连接层
36：fc_output ← FullyConnectedLayer(gap_output, num_outputs=3)
37：// 输出：3维logits
38：// Softmax分类
39：class_probabilities ← Softmax(fc_output)
40：// 返回类别概率

卷积块注意力模块（CBAM）和ConvNeXt被集成到推荐的DERMANet框架中，以增加特征表示和指甲疾病分类的准确性。DERMANet的性能与各种迁移学习架构进行了比较，例如CNN、ResNet-50、VGG-16、Vision Transformer和普通ConvNeXt，以评估其有效性。这些模型也都包含了CBAM以进行公平比较。根据实验结果，DERMANet在分类准确性方面持续优于其他模型。第4节详细介绍了实验发现和讨论。

4. 结果与讨论
4.1. 数据概述
实验使用了来自Kaggle的公开可用的指甲疾病图像数据集，该数据集包括预定义的训练和测试分区[43]。数据集包含1,165张图像，其中包括248张健康指甲的图像、575张与甲癣相关的图像和342张银屑病的图像。测试集包含301张图像，其中包括62张健康样本、147张甲癣样本和92张银屑病样本。测试数据集完全排除在训练过程之外，仅用于最终的性能评估。这种明确的按类别划分的数据确保了透明度，减轻了数据泄露，并提高了实验结果的可复现性。
4.2. 数据预处理
本工作中没有使用显式的类别平衡程序（过采样、欠采样和/或类别加权损失函数）。相反，为了补偿训练集中可能存在的类别不平衡，所有类别都使用了Balanced Wrapped Random Sampler进行采样，以鼓励类别间的平衡采样。这种方法增加了模型观察到代表性不足类别的次数，同时保持了数据集的原始分布。还使用了标准的图像增强方法（例如旋转、添加随机水平翻转、缩放、改变亮度/对比度）来提高模型的泛化能力。增强技术包括随机水平翻转结合±15度旋转；90%到110%的缩放因子；宽度/高度的10%变化；以及±20%的亮度/对比度。应用增强技术将在训练期间增加多样性，降低过拟合的可能性，并提供更强大的特征集。图5显示了数据集中原始图像和增强后的图像样本。
图5. 数据预处理的示例图像
4.3. 实验设置和训练配置
本研究采用了统一的实验设置和标准化的训练配置，以确保方法的一致性、可复现性和所有评估模型之间的公平比较。所有基线架构和提出的DERMANet都使用了相同的超参数设置、优化策略、数据增强技术和评估协议。为了提高公平性，根据各自网络结构的适用设计实践，将卷积块注意力模块（CBAM）集成到每个基线架构中。CBAM的精确位置取决于架构限制；然而，所有模型都统一应用了相同的CBAM配置和超参数设置。这种受控的实验方法最小化了参数调整的差异，并确保性能差异是由架构特性和注意力机制引起的，而不是实验变量。表2总结了训练超参数、实现细节和计算资源。
表2. 超参数和实现细节
类别 值 优化器 优化算法
Adam 初始学习率 1 × 10-4
权重衰减（L2） 1 × 10-4
训练设置 批量大小 32
训练周期数 50
损失函数 分类交叉熵 +
输入处理 输入图像大小 224 × 224
图像标准化 ImageNet均值 & 标准差
数据增强 水平翻转 = 0.5 +
旋转 ±15°, p = 0.3 +
缩放 0.9–1.1, p = 0.3 +
亮度/对比度 ±20%, p = 0.2 +
评估协议 仅应用于训练集 +
测试集使用 没有增强 +
硬件 GPU NVIDIA Tesla V100 (32 GB) +
4.4. 评估指标
性能评估指标在确定所采用模型的有效性方面起着至关重要的作用。在指甲疾病分类的背景下，应用的评估指标包括精确度、召回率、F1分数、曲线下面积（AUC）和准确性[44]。
精确度定义为一个特定指甲疾病类别的准确预测样本数量与该类别所有预测样本数量的比例。它反映了模型防止假阳性的能力。计算精确度的公式表示为公式（16）。
召回率是正确预测的样本数量与该类别总样本数量的比例。它代表了模型检测所有特定指甲疾病实例的能力。公式（17）显示了计算召回率的数学公式。
F1分数提供了一个平衡的度量标准，考虑了假阳性和假阴性。在类别不平衡的情况下（如该数据集，健康指甲的代表性低于甲癣），这一点尤其有效。准确性定义为所有类别（健康、甲癣和银屑病）中正确识别的样本数量与总样本数量的比例。它提供了模型性能的总体感觉，但可能不能准确反映不平衡类别的性能。公式（18）和（19）突出了计算F1分数和准确性的公式。
根据上述性能评估指标，评估了DERMANet的性能。此外，还将DERMANet与预训练模型（如ResNet-50、VGG-16、Vision Transformer和Vanilla ConvNeXt）进行了比较，结果显示在表2中。
4.5. 相比性能分析
DERMANet的性能相对于几种领先的深度学习架构进行了评估，表3显示了各种深度学习模型对三类指甲疾病图像（健康、银屑病和甲癣）的分类性能比较。考虑的模型包括CNN、ResNet-50、Vision Transformer（ViT）和ConvNeXt，包括使用和不使用卷积块注意力模块（CBAM）的情况。
表3. 9个模型的分类性能报告
应用模型 精确度 召回率 F1分数 准确性
CNN 0.67 0.68 0.67 0.68
银屑病 0.68 0.66 0.67
甲癣 0.69 0.70 0.69
CNN + CBAM 0.71 0.70 0.70 0.71
ResNet 50 0.49 0.48 0.48 0.49
银屑病 0.50 0.50 0.50
甲癣 0.48 0.49 0.48
ResNet 50 + CBAM 0.55 0.54 0.55 0.55
VGG 16 0.61 0.60 0.61 0.61
VGG 16 + CBAM 0.74 0.74 0.74 0.74
Vision Transformer 0.94 0.93 0.94 0.94
Vanilla ConvNeXt 0.94 0.95 0.94 0.95
DERMANet (ConvNeXt + CBAM) 0.99 0.97 0.98 0.97
可以推断，基线CNN模型的性能表现中等，准确率为0.68，而F1分数在0.67–0.69之间。引入CBAM提高了CNN的有效性，准确率为0.71，表明注意力机制对特征表示的改进有积极贡献。ResNet-50虽然是一个更深的模型，但单独使用时表现不佳（准确率：0.49），但在添加CBAM后略有提高（准确率：0.55），表明它可能需要更多的正则化或微调才能有效泛化到这项任务。VGG-16的表现更好，准确率为0.61，与CBAM结合使用时准确率显著提高到0.74，突显了VGG的有序卷积层和注意力模块在关注显著特征方面的互补性。Vision Transformer（ViT）的性能优于基于CNN的模型，实现了令人印象深刻的0.94准确率，并且在所有类别上表现平衡且性能高，健康指甲的F1分数为0.94，银屑病的F1分数为0.94，甲癣的F1分数为0.91。最后，ConvNeXt架构是一种基于Transformer设计原则的新颖CNN模型，产生了更好的结果，准确率为0.95。将CBAM集成到ConvNeXt中显著提高了其分类性能，准确率达到0.97，健康指甲的F1分数接近完美，为0.98，银屑病的F1分数为0.96，甲癣的F1分数为0.97。这些结果表明ConvNeXt+CBAM在识别皮肤病变图像的细微模式和变化方面非常出色。总体而言，CBAM的加入持续提高了不同架构上的模型性能，其中ConvNeXt+CBAM模型是表现最好的模型，表明它适用于可靠的、准确的皮肤病分类，以支持临床决策。图6（a）、图6（b）和图6（c）分别展示了健康指甲、银屑病和甲癣类别的性能评估图形。
图6（a）。健康指甲分类的性能比较
图6（b）。银屑病指甲分类的性能比较
图7中的条形图显示了在皮肤科数据集上使用的各种深度学习模型的分类准确性。传统的CNN准确率为68%，添加CBAM后显著提高到71%。ResNet-50表现相对较差的原因可能是它需要大量数据来有效泛化特征。如果它在没有针对具体架构调整的小规模且类别不平衡的医学图像数据集上进行训练，可能无法充分利用其表示潜力。ResNet-50的表现为49%，但添加CBAM后略有提高至55%。VGG-16的准确率为61%，使用CBAM后提高到74%。现代架构，如Vision Transformer和Vanilla ConvNeXt，分别取得了94%和95%的准确率。DERMANet表现出最高的性能，准确率达到97%，证明了将注意力过程与ConvNeXt骨架结合的有效性。
図7. 获得的准确率图形化说明
尽管Vision Transformer（ViT）模型表现出色，但它们存在显著的局限性，包括高计算成本和由于令牌化输入结构和自注意力机制而增加的训练复杂性。这些限制使得ViT不太适合在资源受限的环境中部署。相比之下，推荐的DERMANet使用了ConvNeXt骨架，保留了CNN的层次化卷积结构，同时引入了受Transformer启发的设计改进。这提高了特征提取效率 và 可扩展性，同时大幅减少了计算开销。通过结合CBAM来细化空间和通道注意力，DERMANet提供了更高的分类准确性（97%），而没有基于Transformer的模型的计算开销。所有测试都在NVIDIA Tesla V100（32GB GPU）上进行，使用Adam优化器进行了50个训练周期，确保了平稳的训练，使其成为现实世界应用的可行和强大的解决方案。
图8中的混淆矩阵显示了DERMANET对测试数据集的分类情况。大多数样本沿对角线正确分类，表明成功学习了每个健康、甲癣和银屑病类别的特征。误分类发生在彼此相似的类别之间，表明具有良好的区分能力。此外，它还显示了模型整体拟合度的稳定性很高，类别之间的混淆非常小。
图8. DERMANet在测试集中的混淆矩阵
4.6. 交叉验证性能分析
为了严格评估所提出的DERMANet模型的鲁棒性和泛化能力，仅在训练数据集上进行了分层5折交叉验证。数据集被分为五份，确保在整个过程中保持了类别分布。每次迭代中，四份用于训练，一份用于验证。在此过程中，独立的测试集严格保留不出来，仅用于最终的性能评估。分层采样技术允许保持每个折叠中的类别分布与原始样本中的分布相同，这减少了对较大类别大小的偏见，并提供了模型在实际场景中表现的有效估计。每个数据折叠都独立使用相同的配置训练和验证DERMANet，然后将五个折叠的结果的均值和标准差结合起来得到一组均值和标准差。这些5折交叉验证的结果记录在表4中。
表4.5折交叉验证结果
类别 精确度 召回率 F1分数
健康 0.976±0.014 0.984 ±0.015 0.980 ±0.009
甲癣 0.944±0.029 0.979±0.007 0.961±0.016
银屑病 0.966 ±0.017 0.898 ±0.047 0.930 ±0.025

健康类别具有非常高的精确度（0.976 ± 0.014）、召回率（0.984 ± 0.015）和F1分数（0.980 ± 0.009），几乎能够完美地区分健康指甲和患病指甲。尽管两种指甲在外观和特征上存在显著差异，甲癣类别也表现出较高的精确度（0.944 ± 0.029）、召回率（0.979 ± 0.007）和F1分数（0.961 ± 0.016），从而为检测真菌感染提供了可靠的方法。银屑病类别在两个类别之间的差异适中，但仍具有统计学意义。银屑病类别的精确度为0.966 ± 0.017；召回率为0.898 ± 0.047；F1分数为0.930 ± 0.025。即使在银屑病类别内部存在更多差异，DERMANet仍然能够一致地提供强有力的证据来识别标志性特征。总体而言，所有类别的标准差程度表明DERMANet提供了稳定可靠的结果，这证实了DERMANet的结果不受训练集和测试集划分方式的影响。

4.7. 敏感性和特异性分析
敏感性（召回率或真阳性率）描述了模型检测患病样本的能力。特异性描述了模型检测非患病样本的能力。对于临床模型而言，在判断是否存在实际疾病状态（假阴性）以及疾病预测是否错误（假阳性）时，敏感性和特异性非常重要。为了评估DERMANet架构的临床可靠性，使用分层5折交叉验证计算了所有指甲疾病的敏感性和特异性。结果表明，DERMANet在所有指甲疾病的分类中表现良好，如表5所示。
表5. 敏感性和特异性分析
类别 敏感性（平均值±标准差，95%置信区间） 特异性（平均值±标准差，95%置信区间）
健康 0.992±0.010 (0.972-1.000) 0.999 ±0.002 (0.995-1.000)
甲癣 0.974±0.012 (0.951-0.998) 0.978±0.007 (0.964-0.992)
银屑病 0.962 ±0.011 (0.940-0.984) 0.981±0.010 (0.961-1.000)

使用DERMANet识别健康指甲的准确性很高，其敏感性和特异性值分别为0.992 ± 0.010和0.999 ± 0.002。对于甲癣，DERMANet的敏感性为0.974 ± 0.012，特异性为0.978 ± 0.007；对于银屑病，敏感性为0.962 ± 0.011，特异性为0.981 ± 0.010。上述敏感性和特异性估计的95%置信区间分别为：健康指甲（0.972-1.000；0.995-1.000）；甲癣（0.951-0.998；0.964-0.992）；银屑病（0.940-0.984；0.961-1.000）。这些发现表明，尽管银屑病和其他指甲疾病可能具有一些共同的身体特征，DERMANet仍能成功区分它们。

这里的结果表明，所提出的DERMANet系统能够可靠地检测指甲疾病，并且假阳性分类非常少，这体现在较高的特异性值上。临床医生能够准确识别指甲疾病将有助于做出正确的临床决策。校准分析显示校准水平适中，Brier分数=0.169，ECE=0.084，表明DERMANet的预测概率校准得很好。这些结果共同支持DERMANet作为计算机辅助诊断工具用于自动分类指甲疾病的有效性，并证明了其鲁棒性和潜在的临床价值。

图9（a）、图9（b）和图9（c）展示了DERMANet在使用精确度、召回率和F1分数指标对各个独立测试集进行指甲疾病分类时的性能。结果表明，DERMANet在所有类别中都具有非常高的精确度、召回率和F1分数，因此在三个指标上表现均衡；因此，DERMANet能够以极高的准确性检测指甲疾病，同时为临床医生提供极少的假阳性或假阴性预测，进一步证明了DERMANet作为计算机辅助诊断工具的可靠性和鲁棒性。

4.8. 校准曲线分析
校准评估旨在确认DERMANet模型的预测概率与实际结果的准确性。校准评估将预测的置信水平与这些结果在置信区间内的实际准确性进行比较。理想的校准评估是对角虚线，意味着预测值与实际情况完全匹配。根据概率校准评估生成的曲线（图10），银屑病和甲癣的预测概率之间存在显著的一致性，因为大多数评估结果都非常接近理想校准线。唯一存在较小偏差的区域是在置信分数的中等范围内，这是由于银屑病和甲癣在视觉上的相似性所致。对于预测概率大于0.8的情况，概率校准评估曲线几乎与理想校准线重合，这意味着这些预测非常可靠。这些结果进一步证明了DERMANet的整体卓越准确性及其产生准确概率估计的能力，表明DERMANet有可能成为有价值的临床决策支持工具。

4.9. ROC-AUC分析
此外，曲线下面积（AUC）来自接收者操作特征（ROC）曲线，该曲线绘制了真阳性和假阳性的关系。公式（20）展示了计算AUC的方法。图11展示了DERMANet的ROC-AUC曲线。DERMANet的微平均AUC为0.98，表明多类别分类模型表现良好。所有类别的AUC分别为：健康类别1.00，甲癣类别0.97，银屑病类别0.96，显示出强烈的区分能力。由于所有曲线都显著高于随机分类器线，因此证实了有效预测。

4.10. 消融研究
本研究的目的是评估每种不同形式的个性化注意力对实验的贡献，并评估CBAM模块的性能。对四种不同的模型配置（ConvNeXt；ConvNeXt + 通道注意力；ConvNeXt + 空间注意力；以及ConvNeXt + 完整CBAM模块——称为DERMANet）进行了小规模消融研究。每种模型平均使用三个独立的随机种子（42、123和999）进行训练，提供了足够的统计有效性和可重复性证据。表6总结了使用三种不同随机种子得到的结果，以观察DERMANet使用的两种注意力机制（通道和空间）及其组合对模型性能的影响。为了检查结果是否具有统计学意义，计算了每种组合的平均准确性、标准差、方差和95%置信区间。基础ConvNeXt模型本身就取得了很好的结果；然而，每次添加注意力机制后都提高了特征细化和分类器的稳定性。因此，集成完整CBAM的DERMANet模型表现出最佳的整体性能，表明DERMANet在基于注意力的框架内能够显著提升学习和稳定性。

4.11. 训练收敛性分析
图12(a)和图12(b)分别展示了九种深度学习模型在50个周期内的训练和验证准确率曲线及相关训练和验证损失曲线。在准确性和损失方面，建议的模型DERMANet（ConvNeXt + CBAM）的表现始终优于其他任何架构。如图12(a)所示，DERMANet的训练和验证准确率持续上升并趋于0.95，表现出强大的泛化能力和出色的特征学习能力。相反，像ResNet-50和基本CNN架构这样的传统模型准确率明显较低。图12(b)显示DERMANet的最终损失最低且呈平稳下降趋势，表明其过度拟合程度最小，优化效果良好。这种性能验证了DERMANet在精确学习皮肤图像分析的复杂视觉模式方面的优势，突显了结合ConvNeXt的层次化卷积设计与CBAM注意力机制的力量。与CNN和Vision Transformer的特征提取方法相比，DERMANet结合了ConvNeXts和CBAM注意力机制，能够在保持相对较低的计算成本增加的同时，产生高质量的特征提取结果，从而在分类准确性和整体架构性能方面提供了高效率，适用于对速度和准确性要求较高的临床应用场景。将DERMANet与其他类似方法进行比较表明，与传统模型和基于注意力的模型相比，DERMANet架构更为高效，并且提供了更出色的诊断能力。图14展示了所使用不同模型的计算时间，该图表显示了各模型在计算效率方面的表现。CNN和CNN + CBAM都被认为是非常快速的基线模型，训练时间大约为10分钟。另外两个模型的训练时间稍长一些（分别是ResNet-50和VGG-16），但使用CBAM后，它们的总训练时间仅增加了不到3分钟（分别是12分钟30秒和13分钟0秒）。而使用Vision Transformer（ViT）时，观察到过长的训练时间，这可能是由于该架构中自注意力机制和输入结构的缘故。最后两个测试模型（Vanilla ConvNeXt和DERMANet）的训练时间大致相同（分别为13分钟1秒和13分钟43秒）。因此，基于ConvNeXt的架构（如DERMANet中那样结合了CBAM等注意力机制）在训练时间与性能方面提供了更好的比率，为实际应用提供了更好的选择。

下载：下载高分辨率图片（172KB）
下载：下载全尺寸图片

图14. 计算时间比较

4.14. 预测可视化
为了评估我们能多信任DERMANet的定性性能，我们对代表性的测试样本进行了预测可视化及错误分析。通过审查正确分类和错误分类的图像，我们可以理解DERMANet的决策过程。如图15所示，DERMANet能够根据各种指甲病理状态的特征和特点，准确预测样本。此外，图16展示了DERMANet在测试过程中产生的错误分类样本。大多数错误分类发生在银屑病和甲真菌病之间，主要是因为这两种指甲病变的图像具有相似性。

下载：下载高分辨率图片（296KB）
下载：下载全尺寸图片

图15. DERMANet框架的准确分类

下载：下载高分辨率图片（362KB）
下载：下载全尺寸图片

图16. 错误分类样本

4.15. 讨论
DERMANet模型证明了将ConvNeXt与通道和空间注意力机制结合是提高指甲疾病分类特征学习效果的有效方法。DERMANet在所有类别上都达到了较高的准确率，尤其是在健康类别这一代表性不足的类别中，在敏感性、特异性和F1分数方面表现优异，表明它实现了平衡的学习，并最小化了了对主要类别的偏见。通过引入注意力模块，DERMANet模型能够专注于包含定义形态特征的区域（如变色、变形和异常纹理），从而增强了特征细化过程。校准分析表明，模型的预测置信度是准确的，因此具有可靠的置信值。此外，Grad-CAM可视化技术有助于临床解读模型的预测结果，通过指出临床重要的区域，证明模型的预测基于适当的临床特征。因此，结果表明DERMANet模型适用于临床决策支持系统。

DERMANet在识别临床相似图像方面始终优于其他算法，显示出强大的可靠性和准确性。大多数错误分类源于银屑病和甲真菌病之间的特征重叠，这也是临床医生难以区分的问题。尽管DERMANet的性能会因图像分布的不同而有所变化，但其在图像变化较大的情况下仍能保持稳定性能。其高效性使其适用于远程皮肤病学、移动医疗和即时诊断，支持早期检测和临床决策。总体而言，DERMANet提供了一种可扩展的AI解决方案，可以提高皮肤科诊断的准确性，尤其是在医疗资源有限的地区。

5. 限制
DERMANet在基准数据集上表现优异，但仍有提升其在临床应用中适用性的空间。该数据集来自公共仓库，缺乏关于患者年龄、性别、种族、病程长度等足够信息，这些信息可用于检测偏差或进行人群特异性分析。此外，图像的捕捉设备（分辨率、捕获方式）和照明条件各不相同，这可能影响模型在实际临床环境中的表现。所有评估都使用了相同的标准保留测试数据集；通过独立的多中心临床数据集进行额外验证，将进一步证明DERMANet在不同人群和成像方式下的泛化能力。数据集的注释工作已完成（即图像分类），但需要临床皮肤科医生的共识研究来进一步提高DERMANet预测能力的临床可靠性。DERMANet通过使用不同方法的增强以及基于类别的分析来改进性能/偏好评估，从而实现了显著的学习成果和各类别间的平衡表现。未来的研究将包括跨数据集的交叉验证、多个临床数据库的整合，以及与多个外部数据集的验证，以继续提升DERMANet的诊断准确性、公平性和作为患者诊断工具的实际效用。

6. 结论与未来改进
在这项研究中，我们介绍了一种独特的深度学习框架DERMANet，它将ConvNeXt主干网络与CBAM注意力模块相结合，用于准确分类指甲疾病。经过对基准指甲疾病数据集的广泛测试，DERMANet的性能超过了多个成熟的深度学习模型，达到了97%的分类准确率。CBAM的集成显著增强了模型对空间和通道关键方面的关注能力，从而提高了诊断准确性。这些发现强调了DERMANet作为计算机辅助诊断工具的巨大潜力，尤其是在自动化评估银屑病和甲真菌病等病症方面。此外，XAI技术的应用也为医生提供了透明的决策依据。未来的工作将致力于扩大数据集，包括更多多样化的真实世界指甲图像（不同光照条件、肤色和图像质量），以提高模型的鲁棒性。DERMANet还将针对移动设备和边缘设备进行优化，实现实时的即时诊断。进一步的研究可以探讨混合注意力机制和多任务学习框架，以帮助更全面地评估指甲疾病的分类和严重程度。

利益冲突声明
作者没有需要披露的相关财务或非财务利益。

CRediT作者贡献声明
T. Kujani：撰写——原始草稿、方法学、研究、数据分析、概念化。
R. Bhuvanya：撰写——原始草稿、方法学、研究、数据分析、概念化。
M. Mohamed Iqbal：撰写——原始草稿、监督、方法学、研究、概念化。
Rajesh Singh：撰写——审阅与编辑、撰写——原始草稿、可视化、验证、监督、研究。
Ankur Dumka：撰写——审阅与编辑、撰写——原始草稿、监督、方法学、研究。
Amit Kumar Thakur：撰写——审阅与编辑、撰写——原始草稿、可视化、验证、监督、概念化。
Anita Gehlot：撰写——审阅与编辑、撰写——原始草稿、验证、监督、方法学、研究。
Anil Ghubade：撰写——审阅与编辑、撰写——原始草稿、可视化、验证、监督。
Sudhanshu Dogra：撰写——审阅与编辑、撰写——原始草稿、可视化、验证、监督。

未引用的参考文献
35.

伦理批准
本研究使用了从Kaggle获得的公开且完全匿名的数据集。没有直接涉及人类参与者，也没有访问或使用任何可识别的个人敏感信息，因此不需要机构伦理批准。

数据可用性声明
本研究使用的数据集可在Kaggle上公开获取，名为“Nail Disease Image Classification Dataset”（https://www.kaggle.com/datasets/josephrasanjana/nail-disease-image-classification-dataset）。该数据集包含用于模型开发和评估的训练集和测试集。DERMANet模型的实现代码可在以下链接查看：https://github.com/bhuvanya/Nail-Disease-Classification

资金说明
本研究未获得外部资金支持。