一种受大脑启发的基于图像的风险评估计算框架

这项研究为何对皮肤健康重要

皮肤癌是为数不多可以肉眼在自身身体上发现的癌症之一，但早期迹象常常微妙到足以欺骗裸眼。本研究提出了一种受大脑工作方式启发的新型计算系统，用以分析近距离皮肤图像并评估癌变风险。目标不是取代皮肤科医生，而是为他们提供快速、一致的第二意见，既适用于大型医院也适用于小型诊所，帮助更早发现危险病变，同时避免不必要的警报。

辅助医生的智能工具，而非替代品

作者提出了 Bicom，一个完整的框架，用于查看皮肤镜图像——即对皮损进行放大的特写照片——并判断病变更可能是良性还是恶性。Bicom 旨在融入真实的临床流程，可在安全的医院服务器上运行或在现场使用。它聚焦于三个实用需求：在不显著拖慢速度的情况下处理超高分辨率图像、识别各种形状和大小的病变、以及在图像模糊不清时诚实地处理不确定性。系统不是给出单一、僵化的结论，而是能对可疑病例标记以供内部进一步审查，再给出最终风险评估。

同时看到整体与细节

要准确解读皮肤图像，计算机必须同时关注宏观模式与微小细节。Bicom 通过将现有图像分析骨干升级为名为 F-ResNeSt 的新模块来应对这一点。该模块从每张图像构建“金字塔”特征，捕获多尺度信息，从病变的整体形态到边缘处的小不规则性。同时，一种高效的注意力机制允许模型在不产生通常伴随的高计算成本的情况下，关联远处图像区域。结果是对每个病变的紧凑而丰富的描述，比标准网络更适合捕捉细微的医学差异。

快速、可扩展且审慎的决策

在提取这些分层特征后，Bicom 将其传递给改进的分类器 L-CoAtNet。该阶段融合了两种方法的优势：传统图像滤波器的局部敏感性和基于注意力模型的全局感知。通过使用简化形式的注意力，L-CoAtNet 将内存和计算需求保持在较低水平，这对于高分辨率医学图像和没有顶级硬件的诊所至关重要。F-ResNeSt 与 L-CoAtNet 共同构成了一个可端到端训练的分层流水线，将原始图像转化为初步的癌症风险估计，同时保持现实部署的可行性。

让类脑模块复核难判病例

Bicom 与许多早期系统最不同之处在于它处理不确定性的方式。在主分类器给出风险分数后，框架会计算一个置信度值，以衡量预测距离“抛硬币”式不确定状态的远近。当模型不确定时，病例会被送到一个受大脑启发的脉冲神经网络模块复核。该模块不是使用连续信号，而是采用类似神经冲动的短促“脉冲”激活，天然适合稀疏、节能的处理。它会针对模糊、低对比度或边界性病变等棘手图像重新检视内部特征并细化决策，尤其是在良性与恶性类别边界附近。

系统在实践中的表现如何

研究者在数千张公开皮损图像和额外的受试者数据集上测试了 Bicom，并将其与广泛使用的图像模型及若干专门的疾病风险系统进行了比较。他们不仅衡量总体准确率，还评估模型正确识别癌症的频率、避免误报的能力，以及在多种决策阈值下将良性与恶性病例可靠地区分的效果。在所有这些指标上，Bicom 要么与强基线匹配，要么优于这些基线，包括现代混合网络。严谨的消融实验表明：每个组成部分——多尺度特征金字塔、高效注意力与脉冲细化——都带来了可测量的益处，三者合力产生了最佳且最稳定的性能。

对患者与诊所的意义

对普通读者而言，主要信息是：作者构建了一种更为周到的皮肤癌风险计算助手——它从多个角度观察病变、高效利用计算资源，并知道何时可能出错。通过将现代人工智能思想与借鉴自脑科学的概念相结合，Bicom 超越了单次猜测，朝着更谨慎、分层的决策过程迈进。如果在更大、更多样化的患者群体中得到验证，并且被轻量化以适配日常设备，这类系统可帮助临床医生更早发现危险病变，并在可疑斑点实际安全时为患者提供更可靠的安慰。

引用: Zhou, F., Hu, S., Du, X. et al. A brain-inspired computational framework for image-based risk assessment. Sci Rep 16, 10720 (2026). https://doi.org/10.1038/s41598-026-45033-y

关键词: 皮肤癌, 皮肤镜图像, 医疗人工智能, 风险预测, 类脑计算