本文档是一篇关于皮肤癌（黑色素瘤）检测的学术论文，发表于《Journal of Biomedical Optics》，论文题为《Deep Learning-Level Melanoma Detection by Interpretable Machine Learning and Imaging Biomarker Cues》。以下是针对该论文的详细学术报告。

研究背景

黑色素瘤是最危险的皮肤癌，也是皮肤疾病中导致死亡的主要原因。每年在美国有96000多个新病例，全球每年至少有6万人死于黑色素瘤。尽管早期检测有助于提高生存率，但医生，尤其是全科医生，往往难以区分良性和恶性病变。这促使研究人员探索计算机辅助诊断工具，来提高黑色素瘤的检测精度。尽管深度学习已经在多个临床领域展示了其强大性能，但其“黑箱”特性导致医学界对其临床应用存在顾虑。

研究目的与方法

本研究旨在开发一种透明的机器学习技术，以区分皮肤镜下的黑色素瘤和痣，并创造一种用于感官线索整合的界面。研究方法包括将成像生物标志物线索（imaging biomarker cues，简称ibcs）输入合成机器学习分类器（eclass）进行训练，而原始图像则用于深度学习分类器培训。随后对比这些方法在诊断接收者操作特性曲线下的表现。研究使用了两种不同的皮肤镜成像系统在纽约和巴塞罗那获取的样本图像，以比较不同机器学习方法的诊断性能。

研究流程

1. 成像处理： 采用两大样本数据集分别使用不同的皮肤镜成像系统拍摄的图像进行分析。图片经过修剪，样本包括113例黑色素瘤图像和236例痣的图像。

2. 机器学习方法： 研究采用了一种可解释性的分类器eclass，该模型使用ibcs作为特征，而不是简单的像素分析，同时也进行了深度学习CNN模型的对比。

3. 特征提取与模型培训： 深度学习模型利用原始图像像素作为输入特征，而eclass使用了38个ibcs特征，这些特征是由传统机器学习分类器在统计上具有显著性的信息。ibcs如存在蓝色或灰色皮肤镜颜色等，是通过数量、离散及连续方式量化的特征。

4. 模型训练与验证： 通过蒙特卡罗模拟进行训练和预测模型的估计。以反复抽样划分训练和测试集来验证分类器的准确性。研究中使用了12种不同的机器学习算法，并通过k-fold交叉验证选择最优配置。

研究结果

结果显示，eclass方法的表现优于CNN，其中前者在75%的试验中优于后者。eclass的优势在于其可解释性，使医生更易于接受。此外，图像生物标志物线索可以在临床筛选时用于感官线索的整合，这一点对提高即时临床判断具有实际价值。

研究意义

该研究从转化角度证明譏eclass优于传统的卷积神经网络诊断方法，因为其输出更加容易为医生接受。图像生物标志物提示在进行新图像临床筛查时可结合其他诊断信息使用。研究表明，eclass在小数据集上表现优于深度学习的方法，并且其操作更为高效，计算成本也更低。

研究亮点

• 方法新颖：采用了传统与深度学习相结合的方式，为皮肤镜图像中的皮肤病变分类提供了一种新思路。
• 临床应用潜力：研究提供的可解释性机器学习模型更能被临床医师接受，降低了技术向临床应用转化的门槛。
• 切实解决问题：对当前皮肤癌检测中存在的“专家技术难普及”的问题提供了一个有效的解决方案。

总结

本研究通过整合成像生物标志物线索与机器学习，提出了一种更具可解释性和效率的黑色素瘤检测方法。研究的成功标志着在提高初级医疗服务提供者筛查精度、减少不必要的侵入性手术上，机器学习技术具有巨大的潜力。同时，该方法也可以应用于其他基于图像的诊断分析领域。