基于FCNN去噪和Inception-膨胀ResNetV2的混合深度集成学习皮肤病变检测建模

这对日常健康的重要性

皮肤癌是全球最常见的癌症之一，但许多皮肤斑点在变得危险之前仍被忽视。本研究探讨了先进计算系统如何通过学习数千张图像，帮助医生更早、更可靠地发现可疑皮肤病变，从而减轻繁忙门诊的负担并提高及时治疗的机会。

教计算机“读”皮肤照片

研究者聚焦于皮肤镜图像，这是放大近拍的照片，可展示痣及其他皮肤标记的细节。即便是受过训练的专家也难以解读这些图像，尤其当照片含有毛发、阴影或相机噪声时。团队旨在构建一个计算机辅助诊断系统，能在处理现实世界中不完美且质量不一的图像时，高精度地区分包括黑色素瘤在内的不同皮肤病变类型。

在下结论前先清理图像

系统的第一步是使用一种用于图像修复的神经网络对每张皮肤图像进行清理。该模型学习去除斑点、伪影和其他视觉噪声，同时保留定义病变形状和颜色的边缘与纹理。通过同时在多张相关图像上训练并比较相似区域，该方法生成更清晰的皮损版本。更干净的输入降低了杂毛、光斑或背景纹理误导后续算法阶段的风险。

在多尺度上发现隐藏模式

图像去噪后，第二个深度网络寻找人眼难以区分的模式。该网络旨在捕捉细微特征（如微小不规则边界）和更广泛的模式（例如整体颜色分布）。它通过使用不同尺寸的滤波器和一种特殊结构来同时感知局部细节与更大上下文，同时避免计算量激增。残差连接有助于信息在多层中顺畅传递，使模型能够在不丢失重要视觉线索的情况下构建对每个病变的丰富描述。

将多方“意见”合成为最终判断

作者没有依赖单一分类器，而是使用三种不同的深度学习模型，它们各自擅长不同任务。一种模型善于捕捉提取特征中的有序关系，另一种学习分层的统计结构，第三种受脑细胞脉冲活动启发，擅长处理时序与模式变化且高效。系统使用加权规则融合它们的输出，使每个模型按其在验证数据上的表现比例影响最终决策。该集成在包含黑色素瘤及若干其他常见病变类型的九类公开皮肤癌数据集上进行训练和测试。

系统的表现如何以及仍需改进之处

在该数据集上，组合系统对约99%的测试图像分类正确，并在区分类别上取得很高的评分，优于多种早期深度学习方法。它运行速度快、内存使用少于若干流行的视觉Transformer模型，这使其在现实应用中更可行。然而，作者指出，对于样本稀少的罕见病变类别，性能有所下降；且数据来自相对相似的成像条件和人群。他们提醒，推广到不同门诊、相机与肤色的广泛适用性仍是开放问题，并且医务人员在信任自动化结果前需要有清晰的解释。

对患者和临床医生的意义

简而言之，这项工作表明，精心设计的图像清理、模式发现和多模型深度学习组合，能够在研究数据集上以高准确率帮助计算机区分多种皮肤病变类型。尽管此类工具不能取代皮肤科医生，但它们未来可能作为智能助手，标记可疑斑点、支持二次意见，并帮助将专家级筛查扩展到缺乏专家的地区。在此之前，需要更大且更多样化的研究、更好地处理罕见病例，以及与临床实践更紧密的整合。

引用: Sunkavalli, J.P., Pustokhin, D., Laxmi Lydia, E. et al. Modelling of hybrid deep ensemble learning based skin lesion detection using FCNN denoising and inception-dilated ResNetV2. Sci Rep 16, 15824 (2026). https://doi.org/10.1038/s41598-026-47053-0

关键词: 皮肤癌, 皮肤镜检查, 深度学习, 图像去噪, 集成模型