深度学习在黑色素瘤检测中的应用：一种深度学习方法区分恶性黑色素瘤和良性色素痣
这篇文章的作者包括Magdalini Kreouzi、Nikolaos Theodorakis、Georgios Feretzakis、Evgenia Paxinou、Aikaterini Sakagianni、Dimitris Kalles、Athanasios Anastasiou、Vassilios S. Verykios和Maria Nikolaou。研究发表于2024年12月25日的《Cancers》期刊，文章的DOI是https://doi.org/10.3390/cancers17010028。文章探讨了使用深度学习方法，特别是卷积神经网络（CNNs），在区分恶性黑色素瘤（malignant melanoma）与良性色素痣（benign melanocytic nevi）中的应用。
黑色素瘤是一种侵袭性皮肤癌，尽管它在所有皮肤癌中的诊断比例较低，但它是导致皮肤癌死亡的主要原因。由于黑色素瘤具有高度的恶性生长和转移能力，早期诊断对于提高存活率至关重要。然而，恶性黑色素瘤与良性色素痣的临床表现高度相似，即便是经验丰富的皮肤科医生，也常常面临诊断上的困难。因此，准确区分恶性和良性病变对于临床治疗尤为重要。尽管传统的视觉检查和皮肤镜检查方法依赖于医生的专业经验，但这往往伴随着较大的观察者间差异。因此，本文旨在通过使用深度学习技术，尤其是卷积神经网络（CNN），来提高黑色素瘤检测的准确性和效率。
本文的研究对象为来自DermNet数据库的8825张皮肤镜图像。这些图像被划分为训练集（80%）、验证集（10%）和测试集（10%）。所有图像都经过预处理，统一调整为224×224像素，以适应卷积神经网络的输入要求。此外，为了提高模型的泛化能力，采用了数据增强技术，如旋转、缩放和图像翻转等。这些技术帮助模型在处理不同类型图像时具有更强的适应能力。
研究中比较了四种卷积神经网络架构的性能：Densenet121、Resnet50v2、Nasnetmobile和Mobilenetv2。这些模型都经过ImageNet的预训练，并被调整为二分类任务，以区分恶性黑色素瘤和良性色素痣。在训练过程中，使用了Adam优化器，并设置了50个训练轮次，同时引入了早停机制和学习率调整策略，以避免过拟合。
四种卷积神经网络架构的性能差异显著。Densenet121模型的分类准确率最高，达到了92.30%，并且在受试者工作特征曲线（AUC-ROC）上获得了0.951的得分。而Resnet50v2则在AUC-ROC评分上表现最为突出，达到了0.957，但其模型大小较大，达91.93MB，可能不适合资源受限的环境。相比之下，Mobilenetv2在提供较高分类性能的同时，具有最小的模型大小（9.89MB）和最快的推理时间（23.46毫秒），展现出了较高的计算效率，这使得其特别适合移动设备或资源受限的环境。
Nasnetmobile虽然模型较小（17.34MB），但推理速度较慢（108.67毫秒），准确率也较低（90.94%）。这表明，虽然Nasnetmobile适合嵌入式设备，但其在实时应用中可能面临一定的挑战。通过统计学检验（McNemar’s test），四种模型的性能差异被确认是显著的（p < 0.0001）。
研究表明，Densenet121模型在黑色素瘤检测中的诊断性能最佳，具有92.30%的分类准确率和0.951的AUC-ROC评分，适合需要高精度分类的应用场景。Mobilenetv2则在分类准确性和计算效率之间取得了最佳平衡，凭借其小巧的模型和快速的推理速度，适合在移动设备和资源有限的环境中应用。本文的研究展示了深度学习，特别是卷积神经网络（CNNs）在临床和移动端黑色素瘤检测中的潜力，为皮肤癌的早期筛查提供了新的技术路径。
尽管本研究取得了显著成果，但仍有一些问题需要进一步探索。例如，研究中使用的固定图像尺寸（224×224像素）可能无法捕捉到一些复杂病变的细节，因此提高图像分辨率可能会进一步提高检测的准确性。此外，未来的研究可以扩展数据集，包含更多种类的皮肤病变，如非黑色素痣病变（如皮肤纤维瘤、老年斑等），以实现更复杂的多类分类任务。此外，结合患者的临床数据（如年龄、家族史等）可能有助于进一步提高模型的诊断精度和个性化水平。
该研究突出了卷积神经网络在皮肤癌，尤其是黑色素瘤检测中的巨大潜力。通过在临床和移动端设备上实现高效的自动化检测系统，可以为医生提供有力的辅助工具，从而提高早期诊断的准确性和效率。这种技术的应用不仅能够帮助医生克服人工检查时的局限性，还能在资源受限的环境中提供便捷的黑色素瘤检测方案。