基于卷积神经网络与视觉变换器的可解释深度学习在皮肤癌计算机辅助检测中的应用

《Algorithms》：Explainable Deep Learning for Computer-Aided Skin Cancer Detection Using CNNs and Vision Transformers

　　

皮肤癌尤其是黑色素瘤的早期准确检测在计算机辅助诊断中仍是一项关键挑战，这推动了可靠且可解释机器学习解决方案的发展。研究人员提出了一种基于 dermoscopic（皮肤镜）图像的深度学习模型比较算法分析框架，在统一流程中集成卷积神经网络（CNN）与视觉变换器（ViT），采用迁移学习与标准化预处理在基准数据集上开展实验。所提方法融合数据增强与类不平衡处理策略，以准确率、精确率、召回率、F1分数及受试者工作特征曲线下面积（ROC-AUC）等临床相关指标评估性能；同时引入梯度加权类激活映射（Grad-CAM）与注意力可视化等可解释技术提升模型透明性，并通过决策阈值分析权衡黑色素瘤检测的灵敏度与特异度。实验表明，CNN架构在捕捉局部空间特征上表现稳健，而基于变换器的模型借助全局上下文表示取得竞争性结果；但两者在校准性与假阴性率上存在差异，这对临床部署至关重要。研究发现，将算法性能与可解释性、阈值优化相结合，是支撑可靠且具临床意义的计算机辅助诊断系统的关键。

研究背景方面，皮肤癌是全球高发恶性肿瘤，黑色素瘤因高转移潜力成为最致命类型，早期准确诊断直接关系患者生存率。传统依赖皮肤科医生肉眼与皮肤镜评估的方法主观性强、受临床经验影响大。深度学习特别是CNN已能自动从皮肤镜图像提取判别特征，在病灶分类上达到接近 dermatologist（皮肤科医生）水平；近期ViT借助自注意力机制建模图像长程依赖，为该领域提供新范式。然而公开数据集（如HAM10000）普遍存在类不平衡、模型可解释不足、评估偏重整体准确率而忽视灵敏度—特异度临床权衡等问题，且CNN与ViT在统一临床感知框架下的系统比较较少。为此，研究人员在《Algorithms》发表本研究，构建统一算法框架，将架构基准测试、可解释验证与自适应阈值优化纳入单一决策支持流水线，以支撑更可靠的黑色素瘤敏感型诊断。

关键技术方法上，研究人员选用HAM10000数据集（10,015张七类皮肤镜图像，含nv、mel、bcc、akiec、bkl、df、vasc），按70%/15%/15%分层划分训练/验证/测试集（random_state=42）。对比架构为ResNet50、EfficientNet-B3与ViT-B/16，均以ImageNet预训练权重做迁移学习；CNN分支用TensorFlow/Keras，ViT与EfficientNet-B/3用PyTorch 2.8与timm。预处理统一缩至224×224，各架构采用对应归一化；训练期数据增强含旋转、缩放、翻转、色彩抖动；类不平衡通过逆频率加权采样、Focal Loss（γ=2.0）或类别交叉熵缓解。可解释性采用Grad-CAM与梯度注意力图；临床决策端引入阈值扫描、Youden指数及敏感度约束下的最优阈值求解。

研究结果部分，按原文小节浓缩如下。3.1模型架构中，研究人员形式化CNN的卷积特征图运算与ViT的patch嵌入—自注意力编码，指出CNN擅局部形态（不对称、边界、色素），ViT擅全局上下文。3.2训练策略中，统一迁移学习、SGD类优化、早停与加权损失，说明其稳定收敛并提升少数类（melanoma）敏感度。3.3评估指标中，除准确率外强调召回率（灵敏度）、特异度、宏平均F1、ROC-AUC，并指出黑色素瘤场景以最小化假阴性为优先。3.4可解释机制中，给出Grad-CAM权重α_k^c与热图L^c_ij=ReLU(∑_kα_k^cA^k_ij)推导，明确其为post hoc解释而非临床金标准。3.5决策阈值优化中，定义?=1(p≥τ)并给出最大化F1、Youden指数J=敏感度+特异度?1、敏感度优先约束三种目标，关联ROC操作点选择。

第4节实验显示，三模型训练损失平稳下降，ViT-B/16验证宏AUC略优，EfficientNet-B3判别力强，ResNet50黑色素瘤召回具竞争力；3000次分层bootstrap置信区间窄，排序稳定。混淆矩阵表明误分集中于形态相近类（如nv与mel低对比样本）。Grad-CAM热图集中于病灶区，ViT注意力更分散于全局；假阴性黑色素瘤多具细微形态、低色差、低对比特征。二元黑色素瘤检测中，默认τ=0.5下各模型PR曲线与ROC-AUC均强，但降低τ可显著压低假阴性数、牺牲特异度，证明阈值可调适配筛查场景。

讨论部分指出，单看准确率会掩盖架构间临床行为差异；CNN抓局部形态稳，ViT借全局上下文在模糊病例有潜力但对数据与调参更敏感；Grad-CAM偶现聚焦伪影，须谨慎对待。局限含单数据集、未测跨中心泛化、未纳入CoAtNet/MobileViT等混合架构。结论部分翻译如下：本研究提出统一临床感知算法框架，在皮肤镜分类中集成深度学习分类、可解释验证与自适应阈值校准；CNN与ViT皆可达强性能，但特征表征与灵敏度和阈值设定决定临床适用性；XAI增强透明性支撑 workflow（工作流）接入；核心贡献在于超越准确率驱动，将可解释性与灵敏度—特异度权衡显式嵌入决策支持。未来方向含混合架构、公平性学习、多中心外部验证及前瞻性临床研究。