综述：深度学习在皮肤科图像分析中的应用：架构、评估指标、泛化能力及可解释人工智能的综述

《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：Deep Learning for Dermatological Image Analysis: A Critical Survey of Architectures, Evaluation Metrics, Generalization, and Explainable AI

　　

摘要

人工智能已成为皮肤科图像分析中的核心方法论支柱；然而，相关研究在分类、分割、检测、可解释性以及临床泛化方面仍存在碎片化现象。本综述系统梳理了2023年至2026年间发表的135项研究，重点关注卷积神经网络（CNN）、视觉变换器、混合CNN-变换器架构、集成系统、分割网络、检测框架以及用于皮肤病变分析的可解释人工智能方法。综述并未将所报告的准确率视为进步的充分指标，而是通过更全面的诊断和形态学指标来评估该领域，这些指标包括准确率、灵敏度、特异性、精确度、Dice相似系数以及交并比。分析表明，存在一种常见的评估问题，即“准确率-灵敏度错觉”——较高的整体准确率可能会掩盖具有临床意义的灵敏度局限性和假阴性风险，尤其是在黑色素瘤分类中。此外，现有研究多在均匀的基准条件下报告分割性能，而其在不同类型的临床图像、不同的采集条件以及多种皮肤光型下的稳定性仍需进一步验证。混合架构因能够结合CNN的局部纹理敏感度与基于注意力的机制的全局上下文建模能力，被视为极具前景的发展方向。不过，该领域仍面临数据集集中、外部验证不足、指标报告不统一、计算成本分析薄弱，以及可解释性未能有效融入临床工作流程等问题。通过整合架构分类、数据集层面的证据、基于指标的评估以及面向部署的限制因素，本综述为开发更为稳健、可解释且具备临床应用价值的皮肤科成像人工智能系统提供了系统的研究路径。