R3MV：一种用于皮肤癌分类的新的可靠系统架构，基于渐进式异构多块模型

这项研究为何与您的皮肤息息相关

皮肤癌是全球最常见的癌症之一，早期发现往往意味着可以通过简单手术治愈，否则可能发展为威胁生命的疾病。皮肤科医生越来越多地借助人工智能（AI）来帮助识别相机或皮肤镜图像中的可疑痣。但当不同的 AI 系统对同一处皮损给出不同结论时，医生应当信任谁？本研究提出了一种将多种 AI 视角整合为单一、更可靠判定的新方法，用于判断病变是否为癌性。

依赖单一智能系统的问题

大多数现有皮肤癌 AI 工具通过在单一数据集上训练一个强大的模型来工作。这些系统在实验室测试中可能表现出色，但当遇到来自新诊所、新相机或不同患者群体的图像时，性能常常下降。先前在皮肤科领域的评估指出外部验证薄弱和泛化能力差：在一个精心挑选的数据集上表现良好的模型，可能在现实医院环境中失灵。由于错误判断可能延误治疗或导致不必要的活检，作者认为将临床决策完全寄托于单一模型存在风险。

一种新的多声部投票系统

为了解决这个问题，研究人员提出了一个名为 R3MV 的三层架构，全称为可靠三层多数表决系统。R3MV 不再询问单个 AI 模型的答案，而是将同一张皮肤图像通过三条不同的决策路径处理。第一条路径使用深度卷积神经网络直接对图像进行分类。第二条路径将多种不同的深度网络的发现合并，并把提取出的精炼特征交给传统分类器。第三条路径则查看多个单模型的预测，并在这些输出上训练另一个分类器。最终，系统对三条路径的结果进行多数投票，使最终判断反映共识，而不是单一意见。

更智能的皮肤图像解读方式

第一条路径的核心是一个定制图像模型，称为渐进式异构多块卷积神经网络（Progressive Heterogeneous Multi‑Block CNN，PHMBCNN）。该网络由若干专用模块构成，每个模块以渐进方式从浅层到深层突出病变的不同视觉特征，如细微纹理或宏观结构。作者进一步通过加入门控循环单元（GRU）— 一种有助于网络捕捉通道与层间关系的记忆模块 — 来增强该模型。这个升级版本 PHMBCNN‑GRU 既能作为强大的独立分类器，也为系统中其他路径提供重要的特征来源。

让多模型协同学习

第二条路径侧重于结合多样化图像网络的优势。同一张病变图像会同时通过 PHMBCNN‑GRU 和若干最初为通用照片开发的流行预训练模型。每个模型会提取出自身的高维“指纹”特征。将这些指纹特征级联后，采用降维或去冗余技术压缩，保留最有信息量的部分。随后，一个多层感知机（经典的层状神经网络）基于这个精炼的联合描述学习分类，从而将每个模型“看到”的信息融合为更清晰的整体视图。

把分歧变成更强的答案

第三条路径称为决策级融合，采取更高层次的视角。在这里，作者将每个模型的预测标签作为输入，训练支持向量机来识别模型间一致与分歧的模式。这个元分类器会学习例如某些模型组合通常指示良性斑点，或某个模型在特定病变类型上容易出错。跨越三条路径，研究人员对图像进行了细致的预处理——调整尺寸、去除毛发伪影、平衡类别——以更好地反映由皮肤镜与智能手机拍摄的临床图像的杂乱现实。

系统在实践中的表现如何

研究团队在两个广泛使用的皮肤癌图像集上测试了该方法：HAM10000，包含来自临床中心的高质量皮肤镜图像；以及 PAD_UFES_20，包含带有较强伪影（如浓密毛发和墨迹标记）的智能手机照片。单独的增强版 PHMBCNN‑GRU 模型在两个数据集上均较基线版本提升了准确率。更重要的是，当在 R3MV 系统中通过多数投票将三条路径结合时，性能进一步提升：在 HAM10000 上约达 99% 的准确率，在 PAD_UFES_20 上约为 82%。去除病变毛发也始终能改善结果，表明仔细的图像清理对自动诊断至关重要。

这对未来皮肤检查意味着什么

对非专业读者而言，关键是这项工作把皮肤癌 AI 从单一“黑盒”推进到由多个独立“意见”组成的面板，只有在这些意见达成一致时才会标记病变为可疑。虽然 R3MV 并未完全解决在所有诊所和相机类型间实现一致性能的挑战，但它表明混合不同模型并进行投票，可以比依赖单一模型提供更可靠的结论。随着时间推移，这类多路径系统可能成为皮肤科医生的辅助工具，提供更稳定、更易解释且更值得信赖的评估，帮助决定哪些皮损需要进一步关注或活检。

引用: Reshma, S.K., Reeja, S.R. R3MV: a novel reliable system architecture for skin cancer classification using progressive heterogeneous multiblock model. Sci Rep 16, 13599 (2026). https://doi.org/10.1038/s41598-026-40522-6

关键词: 皮肤癌检测, 皮肤科人工智能, 深度学习集成, 医学图像分析, 计算机辅助诊断