Two-Stage Fine-Tuning of ResNet50 for High-Sensitivity Melanoma Detection on Dermoscopic Images

想象一下，你正在试图教一个非常聪明、见多识广的机器人（名叫 ResNet50）如何通过照片识别一种危险的皮肤病——黑色素瘤。这个机器人已经看过数百万张普通照片（比如猫、汽车和树木），并且是识别通用形状和颜色的专家。但现在，它需要学习一项非常具体且关乎生命的高风险技能：分辨一个无害的痣和一个危险的癌症。

以下是作者 Aryan Bhagat 如何用简单易懂的方式教会这个机器人的：

1. 问题所在：机器人存在偏见且感到困惑

机器人面临两个巨大的障碍：

• “良性痣太多”的问题： 在现实世界中，大多数痣是无害的（良性），而癌变的（黑色素瘤）却很少。如果你只是给机器人看一堆照片，其中 10 张里有 8 张是无害的，它就会变得偷懒。它会开始对所有东西都猜“无害”，以此来保证大部分时间都是正确的。这非常危险，因为它会漏掉癌症。
• “一刀切”的问题： 通常，当我们教机器人一个新技巧时，我们会一次性调整它的整个大脑。但作者发现，如果调整得太快，会让机器人忘记它已经拥有的通用知识（比如如何观察边缘和阴影），并被新的、具体的皮肤细节所迷惑。

2. 解决方案：两阶段“魔鬼训练营”

作者没有直接把机器人扔进深水区，而是使用了一种**两阶段微调（Two-Stage Fine-Tuning）**的方法。把这想象成在两个截然不同的阶段训练一名运动员：

• 第一阶段：热身（稳定头部）
  作者冻结了机器人的“大脑”（即观察通用特征的部分），使其无法改变。他们只对“决策者”（分类头）进行了短时间的训练。

  • 类比： 想象一个刚入职的新员工，他虽然会用电脑，但不了解公司的具体规则。在第一阶段，你只教他规则（决策部分），而不让他接触复杂的机械设备。这能确保他不会感到不知所措。
  • 解决方法： 在此之前，作者平衡了训练照片的数量，使“癌症”和“非癌症”的照片数量相等。这迫使机器人同时关注两者，而不是只盯着容易识别的“非癌症”照片。

• 第二阶段：深度钻研（微调全部内容）
  一旦决策者稳定下来，作者就解冻了整个大脑。他们让机器人调整整个网络以理解皮肤照片，但将学习速度降到了极慢的程度（极低的“学习率”）。

  • 类比： 现在员工已经了解了规则，可以接触机械设备了，但被告知要移动得非常缓慢且小心。这可以防止他在学习新的皮肤特定技能时，不小心破坏掉他在前一份工作中积累的有用技能（即“ImageNet”知识）。

3. 结果：敏锐的目光

当他们用一组全新的、机器人从未见过的 3,826 张皮肤照片测试这个机器人时，结果令人印象深刻：

• 它抓住了癌症： 它正确识别了约 87.6% 的实际黑色素瘤病例。这是最重要的数字，因为漏掉癌症病例是最糟糕的结果。
• 它不会过度惊慌： 它正确判断“这是安全的”比例约为 89.1%。这很棒，因为这意味着人们不会进行不必要的活检（检查痣的手术）。
• “消融实验”（证明过程）： 作者通过将这种方法与“旧方法”（仅单阶段训练）进行的机器人进行对比，证明了该方法的有效性。两阶段训练的机器人捕捉癌症的能力提升了 4%。在 3,800 人的群体中，这个差异意味着它能比旧方法多发现约 161 例 癌症病例。

4. 看见机器人的思考过程（Grad-CAM）

作者不仅信任数字，还使用了一个名为 Grad-CAM 的工具，让机器人展示它的思考过程。

• 类比： 这就像机器人对着照片画出一张发光的红色地图，展示它到底在看哪里。
• 结果： 当机器人看到癌症时，红色的地图会集中在痣那不规则的边缘上。当它看到安全的痣时，地图则会分布得比较分散。这证明了机器人确实是在观察皮肤病变本身，而不是根据照片中的毛发或标尺等随机背景噪声进行猜测。

5. 这意味着什么

论文的结论是，你不需要发明一种全新的、复杂的机器人架构就能获得出色的结果。相反，你如何教机器人更为重要。通过使用这种特定的两步训练法，并确保机器人在训练和测试时以完全相同的方式看待照片，作者创建了一个高度敏感的检测器。

作者甚至建立了一个免费且可运行的应用（使用 Streamlit），任何人都可以上传皮肤照片，查看机器人的预测结果，以及显示其观察位置的“热力图”。所有的代码都是开源的，供任何人检查和使用。

简而言之： 本文表明，通过将标准的 AI 模型进行两步细致的训练，而不是一步草率的训练，我们可以显著提高其识别危险皮肤癌的能力，同时避免误报。