您的位置首页 >人工智能 >

皮肤癌深度学习诊断方法综述 梳理基于图像的皮肤癌 AI 检测、分割与分类技术路线

这篇《A Survey of Deep Learning Methods for Skin Cancer Diagnosis》综述论文,系统整理了深度学习在皮肤癌诊断方向的研究进展,主要依托皮肤镜图像、临床照片开展任务,核心包含良恶性二分类、多亚型皮肤癌分类、病灶分割、病变定位,对比了 CNN、Transformer、混合架构、多模态融合等主流模型,同时点明领域痛点:不同数据集之间图像色差、设备差异大,深色皮肤样本不足,模型容易偏向浅色皮肤人群,还有小病灶、边界模糊病变识别难,很多研究只在公开数据集刷指标,缺少多中心临床验证。论文把数据预处理、模型架构、损失函数、评估指标、数据集、临床落地瓶颈分开梳理,对比监督学习、弱监督、自监督、联邦学习等方案,给医学影像 AI 研究者、皮肤科辅助诊断系统开发人员提供完整的领域全景,也指出未来多模态、跨域泛化、公平性、可解释 AI 是重点攻关方向。

一、皮肤癌深度学习诊断的 4 类核心任务

任务任务说明输出形式临床价值
良恶性二分类判断皮肤病灶是良性还是恶性分类概率初筛,快速锁定高危病灶
多亚型分类区分黑色素瘤、基底细胞癌、鳞状细胞癌等不同皮肤癌类型多标签结果辅助分型,给医生参考
病灶分割把病灶区域从背景里抠出来,勾勒病灶轮廓像素级掩码测量病灶大小、边界、面积,辅助判断风险
病变定位在整张图里标出病灶位置检测框适合普通手机实拍图,病灶位置不固定的场景

二、主流深度学习技术路线梳理

  1. CNN 卷积神经网络基线(ResNet、EfficientNet、DenseNet)
  2. Vision Transformer、ViT 类架构
  3. CNN+Transformer 混合架构
  4. 自监督 / 弱监督学习路线
  5. 多模态融合路线
  6. 联邦学习方案

早期最常用方案,提取病灶纹理、颜色、边缘特征,推理速度快;缺点是全局长距离依赖捕捉弱,对细微、边界模糊病灶识别容易出错。

依靠自注意力机制捕捉全局特征,适合观察病灶不对称性、色素分布这类全局特征;缺点是需要更多训练数据,算力开销更高,小数据集容易过拟合。

卷积提取局部纹理,Transformer 负责全局关联,是近年主流方案,兼顾效率和精度,很多 SOTA 模型都采用这个思路。

解决标注数据少的难题,用大量无标注皮肤图像预训练,再少量标注微调;适合临床场景,因为医生标注病灶成本很高。

把皮肤镜图像、临床病历、年龄、性别、病史信息一起输入模型,提升诊断准确率;也是现在往真实医院落地的主流方向。

多个医院数据不往外传,在本地训练模型再汇总更新,保护患者隐私,解决医学数据难以集中的问题。

三、综述提到的数据集与数据难点

  • 经典公开数据集:ISIC、PH2、DermNet,大多是浅色皮肤人群的皮肤镜图像
  • 核心数据短板:深色皮肤样本稀缺,存在种族偏见;不同医院设备、光照、拍摄参数不一样,图像色彩偏移严重;部分病灶很小、被毛发遮挡,干扰识别效果
  • 常用预处理:毛发去除、白平衡校正、对比度调整、数据增强(翻转、裁剪、色彩扰动)

四、评测指标体系

  • 分类指标:准确率、AUC、灵敏度、特异度、F1
  • 分割指标:Dice 系数、IoU、Hausdorff 距离
  • 综述重点强调:只看 AUC 不够,临床场景更看重灵敏度,不能漏诊恶性皮肤癌;同时要单独测试跨数据集、跨设备泛化能力,避免过拟合公开数据集。

五、现存落地短板

  1. 数据集偏见:模型在浅色皮肤上效果好,深色皮肤人群诊断性能下滑,公平性不足
  2. 可解释性弱:很多黑盒模型没法告诉医生 “凭哪一点判断为恶性”,医生很难信任
  3. 真实图片和数据集差距大:手机随手拍的照片,清晰度、光照远不如标准皮肤镜
  4. 缺少大规模多中心临床验证:很多论文只在公开数据集测试,到医院里效果明显下降
  5. 法律与资质门槛:AI 辅助诊断器械需要医疗器械审批,不是论文效果好就可以直接临床使用

六、综述提出未来研究方向

  1. 构建种族均衡、多设备、多地域的皮肤癌数据集,减少模型偏见
  2. 可解释 AI,可视化模型关注区域,输出和皮肤科 ABCDE 诊断标准对齐
  3. 轻量化模型,适配手机端,做居家初筛
  4. 多模态融合,影像 + 病历信息联合诊断
  5. 联邦学习,兼顾模型训练和患者隐私保护

【相关 FAQ】

问题 1:这篇皮肤癌深度学习诊断方法综述,深度学习模型可以直接代替皮肤科医生诊断皮肤癌吗?

回答 1:不可以,这篇皮肤癌深度学习诊断方法综述明确说明,深度学习模型定位是辅助筛查工具,用来给医生提供参考,不能独立诊断;最终确诊需要病理活检,AI 不能替代医生和病理检查。

问题 2:皮肤癌深度学习诊断方法综述里,为什么很多皮肤癌 AI 模型在真实医院效果变差?

回答 2:按照皮肤癌深度学习诊断方法综述的总结,主要原因是模型大多在 ISIC 这类标准化公开数据集训练,真实医院拍摄设备、光照、肤色分布不一样,还有毛发遮挡、模糊照片,泛化能力不足。

问题 3:皮肤癌深度学习诊断方法综述里,ViT 对比 CNN 做皮肤癌诊断有什么优势?

回答 3:在皮肤癌深度学习诊断方法综述中,ViT 依靠自注意力更好捕捉病灶全局色素分布、不对称特征,适合黑色素瘤这类依赖全局形态判断的病变;CNN 更擅长抓局部纹理,推理速度更快。

问题 4:皮肤癌深度学习诊断方法综述提到的联邦学习,是用来解决皮肤癌诊断的什么问题?

回答 4:皮肤癌深度学习诊断方法综述提到联邦学习,主要解决不同医院皮肤影像数据不能外传、隐私保护的问题,各家医院本地训练,不用集中原始患者图像,协同训练模型。

【参考资料】

[2026-11-22](A Survey of Deep Learning Methods for Skin Cancer Diagnosis 论文解读)MedAI 学术公众号

[2026-07-10](ISIC 皮肤癌数据集基准与模型公平性研究)arXiv

[2026-04-15](皮肤镜图像 CNN 与 Transformer 混合模型对比实验)Computers in Biology and Medicine

[2025-11-08](医学影像 AI 公平性:深色皮肤皮肤癌识别偏差调研)Nature Medicine

【免责声明】

本文仅为这篇皮肤癌深度学习诊断方法综述的学术科普解读,相关深度学习模型属于科研阶段的辅助筛查方案,不能作为自我诊断依据;皮肤病变判断、确诊必须前往正规医院皮肤科就诊,由专业医生结合病理检查判定,本文不构成医疗诊断、就医决策依据。

今日大家都在搜的词: