基于云端深度学习的多类皮肤病筛查：一项使用预训练卷积神经网络（CNN）的实证研究

《Sci》：Cloud-Based Deep Learning for Multi-Class Dermatological Screening: An Empirical Study Using Pretrained CNNs

　　

由于多种皮肤病在视觉表现上具有相似性，皮肤疾病的诊断仍是临床难题。研究人员提出一种由深度学习驱动的多类皮肤病筛查原型系统，采用云端架构实现并通过智能手机接口访问。研究人员在涵盖九类疾病类别的复合数据集上对预训练卷积神经网络（CNN）EfficientNetV2B3进行微调，模型取得精度0.87、准确率0.87、召回率0.87及F1分数0.86的较优性能，显示其在自动分类中的潜在可靠性。原型验证通过云端API（Google Cloud Storage + PostMan）完成，以核验推理流水线及用户交互。当前实现虽证明云端皮肤病筛查的可行性，但真实设备上的移动端性能指标（如延迟、模型体积、内存消耗）仍待后续研究。用户可拍摄或上传皮肤图像，系统处理后生成初步诊断反馈，包括症状描述与一般治疗信息。该原型并非替代专业医疗评估，而是作为初始筛查与早期干预的概念验证工具。本研究阐明人工智能（AI）如何被引入移动健康应用以扩展皮肤病诊疗可及性，并支持将AI整合进医疗服务的更广泛倡议。

研究背景方面，皮肤作为人体最大器官易受感染、免疫失调与环境应激影响，而皮肤病诊断因视觉相似、临床表现多样及专科医师短缺而困难重重，尤其在资源匮乏地区。早期识别对改善预后至关重要，但依赖通用 Practitioner 准确率有限。智能手机与移动互联的普及为数字健康干预提供契机，深度学习特别是卷积神经网络（CNN）能自动提取特征，在医学图像分类中表现优越。已有研究多聚焦算法创新，而本研究侧重工程实现与移动可行性，旨在构建可落地的九类皮肤病筛查原型。

研究人员开展的工作基于复合数据集（六类来自Kaggle皮肤疾病库：湿疹、黑色素瘤、脂溢性角化病、黑素细胞痣、银屑病、癣；三类来自Google Images：基底细胞癌、疣和传染性软疣、水痘），共17022张图，按80:10:10划分。先在六类子集上对比EfficientNetB3/B5/B7与ResNet152V2，选定EfficientNetB3，再扩展至九类采用EfficientNetV2B3（融合MBConv层与渐进学习策略），输入224×224×3，辅以随机旋转翻转缩放与颜色抖动。训练于Google Colab Pro（Keras 2.9.0/TensorFlow 2.12.0）。原型经TFLite转换暂存Google Cloud Storage，由PostMan API调试；移动端用Flutter/Dart开发，Firebase存文案，前端摄图上传云端推理返回病名、症状与非处方建议。最终部署描述为TFLite嵌端离线，但原文实测仍为云端辅助。

研究结果部分，4.1节分类性能显示EfficientNetV2B3整体加权准确率0.87，宏平均精确率≈0.77、召回≈0.75、F1≈0.75；黑素细胞痣（n=757测试）精确0.91/召回0.96/F1 0.94，基底细胞癌与黑色素瘤表现强，水痘F1 0.91但测试仅11例需谨慎；癣F1仅0.48（精确0.62/召回0.39），湿疹召回0.52、银屑病0.59，提示少数类与视觉重叠类识别弱。训练35轮损失收敛无过拟合。4.2节移动应用部署提供拍照/选图双入口，置信度低于80%促重拍，界面含病名、置信百分比、症状与非处方信息，当前推理为云端执行，端侧延迟/体积/内存未系统基准测试。

讨论部分指出局限：数据源于皮肤镜与策展临床图，未覆盖真实手机变光变角；类别不平衡（黑素细胞痣6034比水痘80）致宏平均偏低；缺失良恶性专项分析，黑色素瘤漏诊46例；端侧指标未测；无电子病历集成。展望提出扩样至医院社区多区域、加权/过采样/合成增强、CNN+SVM混合、可解释AI、皮科医师协同验证及完全端侧离线。

结论部分翻译：本研究在推进深度学习与移动技术融合用于皮肤病早筛上取得显著进展。利用EfficientNetV2B3架构开发原型系统，对九类皮损分类，整体准确率87%、精确率87%、召回率87%、F1 86%，验证自策展皮肤镜与临床图识别异常的有效性。应用以友好手机界面摄/传图至云推理，返诊数症状治疗建议，缓解专科可及低、诊断迟、地域差等障碍。多数类性能强但少数类（如水痘F1 0.91仅11测试例）须慎解；缺良恶性敏感度/特异度/AUC，46例黑色素瘤漏诊凸显恶性检测需专评。系统属工程可行非临床验证，后续需端侧基准、良恶性数据集、增强与集成降假阴、可解释AI及跨域合作，方具真实临床价值。论文发表于《Sci》。