融合深度学习与集成学习的皮肤镜黑色素瘤识别模型研究

《Frontiers in Oncology》:A model combining deep learning and ensemble learning for melanoma recognition via dermoscopy

【字体: 大 中 小 】 时间:2026年05月15日 来源:Frontiers in Oncology 3.3

编辑推荐:

  背景:黑色素瘤精准识别是改善患者预后的关键,但传统皮肤镜诊断依赖医师经验,存在主观性强、一致性差的问题。本研究旨在开发一种融合深度学习与集成学习的模型,以提升皮肤镜下恶性黑色素瘤与其他恶性皮肤病变的鉴别诊断性能。 方法:研究人员采用ISIC-2024与HAM1

  
背景:黑色素瘤精准识别是改善患者预后的关键,但传统皮肤镜诊断依赖医师经验,存在主观性强、一致性差的问题。本研究旨在开发一种融合深度学习与集成学习的模型,以提升皮肤镜下恶性黑色素瘤与其他恶性皮肤病变的鉴别诊断性能。 方法:研究人员采用ISIC-2024与HAM10000两个皮肤镜数据集,首先使用9种卷积神经网络(CNN)模型(DenseNet201、EfficientNetB7、EfficientNetV2S、InceptionResNetV2、MobileNetV3Large、NASNetLarge、ResNet50V2、VGG19及Xception)进行初步分类;随后将各模型的原始输出分数(Raw Score)作为特征向量输入XGBoost集成模型,构建最终分类模型。模型性能通过准确率、精确率、召回率、F1分数及受试者工作特征曲线下面积(AUC)进行验证。 结果:所有9种CNN模型均能有效区分两类样本(恶性黑色素瘤与其他恶性皮肤病变,均p<0.001),测试集AUC范围为0.921~0.967;XGBoost集成模型在训练集AUC达1.00,测试集AUC为0.988,其中Xception为最主要的特征来源。 结论:深度学习与集成学习策略的结合可显著提升皮肤镜黑色素瘤鉴别诊断的准确性,为临床辅助识别提供技术支持,具备良好的临床转化潜力。
本研究发表于《Frontiers in Oncology》,聚焦于解决皮肤镜诊断黑色素瘤的主观性与一致性不足问题,具有重要的临床与学术价值。黑色素瘤是一种高度恶性的皮肤肿瘤,发病率上升迅速,早期精准识别是改善患者预后与治疗成功率的核心因素。皮肤镜因可清晰显示皮损微观结构,已成为黑色素瘤筛查的常用手段,人工智能技术在该领域的深入应用为提升识别效率与准确性提供了新方向。然而,传统皮肤镜诊断高度依赖医师临床经验,尤其在基层医疗机构或经验不足的场景下,漏诊与误诊风险较高;现有基于单一卷积神经网络(CNN)的人工智能识别模型虽在特定数据集上表现优异,但受训练数据偏倚影响,在多中心、多设备采集的真实世界皮肤镜图像中泛化能力不足,难以满足临床需求。此外,当前研究多集中于单一深度学习模型与影像组学特征的结合,对多模型互补特征的挖掘与优化不足,且缺乏大样本、多中心的外部验证,限制了模型的临床决策支持能力。针对这些挑战,研究人员提出一种融合深度学习与集成学习的新型识别模型,旨在为恶性黑色素瘤与其他恶性皮肤病变的鉴别诊断提供可靠的人工智能辅助工具。
为开展研究,研究人员构建了基于两个公开皮肤镜数据集的分析队列:训练集采用国际皮肤成像协作组织(ISIC)2024年数据集,包含8846例经病理确诊的样本(7223例恶性黑色素瘤,1623例其他恶性皮肤病变);独立测试集采用HAM10000数据集,包含1954例经病理确诊的样本(1113例恶性黑色素瘤,841例其他恶性皮肤病变)。所有图像统一预处理为224×224像素的三通道RGB格式,训练集采用随机水平翻转(触发概率0.5)进行数据增强。模型构建采用“基础深度学习模型+XGBoost集成学习决策”的两级架构:首先选用9种主流CNN模型(覆盖密集连接、残差、注意力优化及轻量化等多种网络设计范式)作为基础模型,均加载预训练权重并通过迁移学习优化,采用Adam优化器(权重衰减系数λ=1×10-4)、余弦退火学习率调度(初始学习率1×10-4,最小学习率1×10-6)及类别加权损失函数进行训练;随后提取各基础模型输出的未经Sigmoid激活的原始分数(Raw Score)作为特征向量,输入XGBoost集成模型(学习率0.01,决策树数量500,树深6,子采样比例0.8,列采样比例0.9)完成最终分类。模型性能通过准确率、精确率、召回率、F1分数及AUC等指标评估,并采用独立样本t检验验证组间差异显著性(α=0.05,双侧)。
研究结果分为两部分呈现。第一部分为基础深度学习模型性能:原始分数分布分析显示,所有9种模型在训练集与测试集中均能显著区分恶性黑色素瘤与其他恶性皮肤病变(均p<0.001)。各模型训练集AUC接近或达到1.000,测试集AUC介于0.921~0.967之间:Xception训练集准确率达1.000、AUC达1.000,测试集AUC为0.964;MobileNetV3Large与ResNet50V2测试集AUC最高(均为0.967),其中MobileNetV3Large测试集准确率达0.866;EfficientNetB7、EfficientNetV2S、InceptionResNetV2及VGG19训练集AUC均为1.000,测试集AUC稳定在0.935~0.958,召回率持续高于0.970;DenseNet201训练集准确率为0.986,测试集AUC为0.955;NASNetLarge整体表现最弱,训练集准确率0.946、测试集准确率0.709,测试集AUC为0.921。第二部分为集成学习模型性能:XGBoost集成模型在训练集所有指标均达1.00,测试集AUC为0.988,准确率、精确率、召回率及F1分数均表现优异,较单一基础模型实现性能提升;特征重要性分析显示,Xception、MobileNetV3Large与EfficientNetB7是对集成决策贡献最大的三个特征,其中Xception为核心特征来源。
讨论部分指出,本研究验证了多模型集成策略可有效融合不同CNN的特征优势,提升黑色素瘤识别的稳定性与准确性,其测试集AUC(0.988)优于现有单一XGBoost皮肤病变识别模型。研究局限性在于数据主要源于公开数据集,为回顾性研究,未纳入临床病史与病理特征等多维信息,且训练集黑色素瘤样本占比较高可能导致样本失衡,结果的真实世界泛化性需进一步验证。未来研究应扩大样本量,纳入多中心皮肤镜图像数据,并融合影像组学与临床信息构建多模态识别模型,以推动临床转化。
结论部分强调,本研究开发的融合深度学习与集成学习的模型可显著提升皮肤镜黑色素瘤识别的准确性与稳定性,为临床实践提供可靠的辅助诊断工具。该模型在测试集AUC达0.988,明确了Xception作为核心特征来源的优势,证实了多模型集成策略在皮肤镜黑色素瘤识别中的显著价值,为相关算法优化提供了参考,有望促进人工智能辅助识别技术的临床落地。未来需通过多中心数据与多模态模型进一步提升临床适用性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号