用元启发式算法优化的混合卷积神经网络模型在黑色素瘤检测中的分析

更智能的皮肤癌筛查为何重要

黑色素瘤是一种危险的皮肤癌，如果未能早期发现，可能迅速扩散。皮肤科医生如今在裸眼检查之外也会借助相机和软件，但为这些图像设计可靠的人工智能（AI）系统仍然具有挑战性。本研究探讨了一种新途径，通过让受自然启发的搜索策略自动设计和调优深度学习模型，旨在在提高黑色素瘤检出率的同时控制误报。

教计算机识别异常皮肤

研究者将注意力集中在皮肤镜图像上——这是用专用设备拍摄的皮损放大特写。这类图像中包含颜色、纹理和形状等微妙模式，可能提示癌变。卷积神经网络（CNN）是一类特别擅长识别此类视觉模式的人工智能，但它们很挑剔：表现取决于许多设计选择，例如层数、滤波器大小以及学习速度等。传统上，专家会通过经验猜测或手工调参，或沿用与皮肤癌无关任务的架构，这会限制模型在皮肤病变图像上的适应能力。

让自然启发的搜索来设计模型

作者没有事先固定CNN结构，而是把整个设计问题转化为一个搜索问题。他们将CNN与六种元启发式算法相结合——这些搜索策略受自然行为启发，例如杜鹃寄生、狼群狩猎或鸟群集体移动。在该框架中，每种元启发式算法把完整的CNN设计（包括主要训练设置）视为一个候选解，生成大量候选方案，通过在皮肤图像上实际训练和验证CNN来测试每个候选，并根据其区分黑色素瘤与良性病变的准确性逐步引导种群朝更优的设计靠拢。

先对图像进行清理与增强

在任何学习之前，图像本身需要精心准备。团队使用广泛采用的HAM10000数据集，包含超过一万一千张跨七类皮损的皮肤镜图像，其中包括黑色素瘤。他们将所有图像调整到统一尺寸，均衡亮度差异，去除可能干扰模型的毛发和标记等伪影。为帮助CNN应对临床中存在的多样性，研究者还通过翻转、旋转、缩放、裁剪和亮度调整等方式对每张黑色素瘤图像生成稍有变化的新样本。这既扩充了数据，又在数量上平衡了黑色素瘤与非黑色素瘤的样本，防止模型仅学会偏向更常见的类别。

将六种搜索策略付诸试验

在这个清理并扩充的数据集中，六种元启发式算法——杜鹃搜索、萤火虫算法、座头鲸优化算法、粒子群优化、灰狼优化器和乌鸦搜索算法——各自搜索强效的CNN配置。它们探索的选项包括卷积层数、每层滤波器数量、是否应用名为批量归一化的稳定化技术、训练时的批次大小以及控制模型参数更新速度的学习率。对于每个拟议的设计，构建并训练CNN，然后在单独的验证集上评估，其准确率作为分数反馈给搜索算法以引导下一轮候选。该循环在多种实验方案中重复进行，这些方案改变了各优化器的种群规模和迭代次数。

哪些策略效果最好

所有六种方法都产生了优于精心构建的手工调优基线网络的CNN。基线模型的最高分类准确率约为84%，而最佳的元启发式引导模型达到了约91%的准确率。两种算法表现尤为突出。杜鹃搜索在总体准确率和敏感性方面表现最好——意味着它在发现黑色素瘤并降低漏诊风险方面尤其有效。灰狼优化器则提供了相近的高准确率，同时在正确识别良性病变方面表现最佳，从而减少不必要的警报。其他方法如萤火虫算法表现具有竞争力但波动较大，而粒子群和乌鸦搜索往往较早陷入设计空间的次优区域。

窥探模型的“推理”过程

鉴于医学AI需要获得临床人员的信任，作者还检查了优化后CNN的决策方式。他们使用一种名为Grad‑CAM++的可视化技术，在输入图像上生成彩色热图，显示网络在判定病变为恶性或良性时“关注”的区域。在成功案例中，这些热图聚焦在实际病灶而非周围皮肤或残留伪影上，并突出显示符合皮肤科医生判定可疑特征的不规则结构。当系统出错时，常常是面对即便对专家也具有视觉模糊性的病变，例如具有粗糙质地的良性斑点或对比度极其微弱的早期黑色素瘤。

这对未来皮肤检查意味着什么

对非专业读者来说，核心信息是：研究表明，让受自然启发的搜索策略来设计深度学习模型的内部结构，可以使自动化的黑色素瘤检测比专家手工调参更准确、更可靠。通过在同一大型公开数据集上系统比较多种此类策略，作者指出杜鹃搜索和灰狼优化器是构建未来临床决策支持系统时尤其有前景的工具。尽管这些系统并非旨在取代皮肤科医生，但它们可以作为有价值的第二读者，帮助降低危险病变被遗漏的可能性，并减少良性病变引发的不必要焦虑和医疗操作。

引用: Hermosilla, P., Soto, R., Monfroy, E. et al. Analysis of hybrid CNN models optimized with metaheuristic algorithms for melanoma detection. Sci Rep 16, 13075 (2026). https://doi.org/10.1038/s41598-026-42711-9

关键词: 黑色素瘤检测, 皮肤镜成像, 卷积神经网络, 元启发式优化, 医学人工智能