《Diagnostics》：Benchmarking Class Imbalance Mitigation Strategies Across Deep CNN Architectures for Skin Cancer Classification
编辑推荐：
背景/目的：类别不平衡是自动皮肤病变分类中的主要挑战之一，因为恶性和临床意义重大的皮肤病变类别数量通常少于良性病变。然而，由于这种不平衡，深度卷积神经网络（CNNs）往往忽略少数类，无法以可接受的准确度识别它们，从而导致诊断可靠性下降。已有多种不平衡缓解技术被
背景/目的：类别不平衡是自动皮肤病变分类中的主要挑战之一，因为恶性和临床意义重大的皮肤病变类别数量通常少于良性病变。然而，由于这种不平衡，深度卷积神经网络（CNNs）往往忽略少数类，无法以可接受的准确度识别它们，从而导致诊断可靠性下降。已有多种不平衡缓解技术被提出，但研究发现其有效性因CNN架构而异，且在一致实验设置下对这些技术进行详细比较的研究仍然有限。方法：本研究提出了一个全面的基准测试框架，在官方ISIC 2019皮肤病变数据集上，将十六种类别不平衡缓解方法应用于六种预训练CNN架构——EfficientNet-B0、EfficientNet-B3、ResNet50、DenseNet121、InceptionV3和MobileNetV2。所测试的技术包括传统重采样技术、合成样本生成技术、算法级学习技术、数据增强技术和混合技术。数据集被划分为独立的训练集和测试集，仅在训练集上进行分层交叉验证，以确保研究的公平性和可重复性。所有模型均使用相同的优化器、学习率、批量大小、训练轮数和预处理流程进行优化。通过计算准确率（accuracy）、精确率（precision）、召回率（recall）和F1分数（F1-score）来评估模型性能。结果：实验结果表明，类别不平衡缓解的效果高度依赖于底层CNN架构。传统的欠采样和过采样方法仅带来适度的改进，而特征空间和混合方法产生了更一致的结果。当与EfficientNet-B3结合时，Balanced MixUp提升了模型的整体性能，实现了92.39%的准确率、93.3%的精确率、91.36%的召回率和92.33%的F1分数。然而，一些架构如ResNet50在迭代学习技术（如累积学习（Cumulative Learning）和多折训练（Yielding Multi-Fold Training））下表现更好，这表明不同网络架构对不平衡缓解方法的反应存在多样性。结论：本文强调了选择合适的技术-架构组合来处理医学影像中长尾数据分布的重要性。所提出的基准测试框架为开发稳健可靠的深度学习系统提供了有价值的见解，这些系统可用于皮肤病变分类和其他受严重类别不平衡影响的医学影像任务。
皮肤癌是全球高发癌症之一，早期检测对提高患者生存率和治疗效果至关重要。皮肤镜成像作为一种非侵入性诊断工具，结合深度学习技术可实现自动皮肤病变分类。然而，医学数据集中普遍存在类别不平衡问题，恶性或临床意义重大的病变样本数量通常远少于良性病变。这种不平衡导致深度卷积神经网络（CNN）在优化过程中偏向多数类，对少数类病变的识别精度显著下降，从而影响诊断可靠性。虽然已有大量类别不平衡缓解策略被提出，但多数研究仅针对单一CNN架构测试一两种方法，缺乏在统一实验条件下跨多种架构的系统性比较。不同CNN架构在深度、特征提取方式、参数效率和优化行为上差异显著，一种平衡策略未必普遍适用。因此，研究人员提出一个基准测试框架，系统评估十六种类别不平衡缓解方法在六种预训练CNN架构上的表现，以指导实际应用中技术-架构组合的合理选择。该研究发表在《Diagnostics》上。
研究人员使用官方ISIC 2019皮肤病变数据集，包含25,331张皮肤镜图像、8个病变类别，其中黑色素细胞痣（NV）占50.83%，而皮肤纤维瘤（DF）仅占0.94%，具有高度类别不平衡特征。数据按80%训练和20%测试划分，仅在训练集内进行3折分层交叉验证，测试集保持独立。六种预训练架构为EfficientNet-B0、EfficientNet-B3、ResNet50、DenseNet121、InceptionV3和MobileNetV2。所有模型采用相同训练配置：Adam优化器、初始学习率1×10
?4、批量大小32、训练10轮、输入224×224像素，并使用ImageNet归一化、随机水平翻转、随机旋转（±10°）和颜色抖动预处理。十六种方法涵盖数据级（随机过采样、随机欠采样、SMOTE、ADASYN、SMOTE-LOF、GraphSMOTE、GAN增强等）、算法级（代价敏感学习、Focal Loss、累积学习等）和混合方法（Balanced MixUp、伪标签等）。其中SMOTE系列和GraphSMOTE在深度特征空间中实施，GAN采用深度卷积生成对抗网络（DCGAN）。评估指标为宏平均准确率、精确率、召回率和F1分数，并通过Friedman检验和Nemenyi事后检验进行统计显著性分析。
**4.4.1 EfficientNet-B0**：实验显示，基线模型在原始不平衡数据上召回率和F1分数最低，传统重采样方法改进有限；SMOTE、ADASYN、SMOTE-LOF等合成过采样方法持续改善少数类识别，其中Balanced MixUp取得最佳整体性能。
**4.4.2 EfficientNet-B3**：与EfficientNet-B0趋势相似，Balanced MixUp达到最优，准确率92.39%、精确率93.30%、召回率91.36%、F1分数92.33%，验证了特征空间增强对增强型EfficientNet架构的有效性。
**4.4.3 ResNet50**：与EfficientNet系列不同，ResNet50在迭代学习技术（累积学习（Cumulative Learning）和多折训练（Yielding Multi-Fold Training））下表现最好，优于传统重采样和合成过采样方法，说明残差网络更适合逐步调整训练信号的算法级策略。
**4.4.4 InceptionV3**：SMOTE方法表现最佳，准确率达到89.2%，高于Balanced MixUp；ADASYN和SMOTE-LOF同样优于基线，表明多尺度架构对合成过采样敏感。
**4.4.5 DenseNet121**：SMOTE同样获得最高准确率89.2%，数据生成技术优于复杂增强方法，表明强特征传播网络在较温和的平衡处理下即可有效学习少数类表示。
**4.4.6 MobileNetV2**：Balanced MixUp最为有效，准确率83.5%；SMOTE、ADASYN和集成方法也带来提升，但GAN等复杂生成方法改进有限，反映轻量级架构对复杂合成分布建模能力有限。
**4.5 统计显著性分析**：Friedman检验显示17种技术（含基线）在宏F1分数上存在显著差异（χ
2=18.72，df=16，p=0.0022）。Nemenyi事后检验表明，SMOTE、Balanced MixUp和集成方法的平均排名显著优于GAN-based方法，其余技术间的差异未达到统计显著，形成统计上不可区分的中段。
**4.6 每类性能**：以EfficientNet-B3为例，对比基线、SMOTE和Balanced MixUp的各类别F1分数，Balanced MixUp在多数病变类别上优于其他配置，尤其改善了少数类（如皮肤纤维瘤、血管病变）的识别，说明整体提升在各类别上具有一致性。
讨论指出，不平衡缓解效果对架构的依赖可归因于模型容量、感受野设计和特征嵌入几何的差异。大容量架构如EfficientNet-B3能够利用特征空间增强产生的平滑类感知决策边界；ResNet50的残差连接偏好迭代式算法级策略；轻量级MobileNetV2则对复杂合成分布建模能力不足。结论强调，没有任何单一平衡策略对所有架构最优，选择合适的技术-架构组合比通用策略更有效。该基准测试框架为皮肤病变分类及其他严重类别不平衡医学影像任务提供了实用指导，未来研究可探索自适应平衡策略、Transformer架构和自监督学习方法。
