SCD-E2S: Deep Learning Based Skin Cancer Detection Using EfficientNetV2-S with Attention Mechanisms

皮肤癌是一个日益严重的全球健康挑战，其最常见的形式表现为皮肤上的黑点、凸起肿块或不规则斑块。早期发现这些病变至关重要，因为这能显著提高患者完全康复的机会。几十年来，医生一直依靠肉眼和经验来识别这些预警信号，但人类的判断在不同医生之间可能存在差异，且良性痣与危险肿瘤之间的视觉差异可能非常细微。近年来，一种被称为深度学习的人工智能分支已成为辅助这项任务的强大工具。这些计算机系统通过学习数以千计的医学图像进行学习，逐渐识别出区分健康皮肤与疾病的复杂模式。其目标并非取代医生，而是提供一个可靠的“第二意见”，以捕捉那些可能被忽略的情况，尤其是在专家医疗资源难以触及的地区。

一组研究人员现在开发了一种新系统，旨在使这项技术更快、更准确，并具备投入实际应用的准备。他们的工作专注于一种名为 EfficientNetV2-S 的特定人工智能架构，该架构充当了系统的“大脑”。为了让这个大脑更加敏锐，研究人员加入了特殊的注意力机制，其功能就像一束“聚光灯”，帮助计算机专注于皮肤病变的细节，同时忽略无关的背景噪声。他们使用超过 14,000 张皮肤镜图像（即使用特殊相机拍摄的高度放大皮肤照片）来训练这个系统。在将这些图像输入计算机之前，团队通过去除毛发或标尺标记等干扰元素，并增强对比度以使斑点的边缘更加清晰，对图像进行了清理。他们还注意平衡数据，确保计算机看到了足够多的罕见、危险癌症的案例，从而学习如何识别它们，而不仅仅是学习常见的、无害的病例。

训练过程是一个精心分阶段进行的工程。首先，计算机利用新图像学习基础知识，然后它被允许通过观察自身知识的更深层来微调其理解。为了防止系统对训练图像进行过于完美的“死记硬背”——这种错误会导致它在处理新图片时失败——研究人员使用了一种在学习过程中混合不同图像的技术，迫使系统理解底层概念，而非仅仅是特定的像素。他们还调整了系统的内部规则，使其对最困难的病例（特别是危险的黑色素瘤）给予额外关注，确保不会遗漏这些病例。在针对从未见过的图像（包括来自另外两个主要医学数据库的数据）进行测试时，该系统的准确率达到了 97% 以上。它正确识别了其设计的三个主要皮肤病变类型：黑色素瘤、基底细胞癌和黑素细胞痣。

这项工作的卓越之处不仅在于高分，还在于该系统是如何被构建以用于实验室之外的实际用途。研究人员将训练好的模型封装进了一个可以在标准智能手机上运行的移动应用程序中。在这种设置下，用户可以拍摄一张可疑斑点的照片，图像会被安全地发送到服务器，计算机在短短一秒多时间内即可完成分析。随后，该应用会返回一个带有置信度的结果，作为患者和医生的决策支持工具。研究人员强调，该工具的设计初衷是辅助而非取代专业的医疗诊断。通过将高效的计算机模型与实用的移动界面相结合，该团队证明了先进的人工智能可以变得易于获取，并可立即应用于诊所或偏远地区。研究表明，随着在多样化患者群体上的进一步测试以及与医疗流程的整合，此类系统有望成为皮肤癌早期检测的标准组成部分，通过更早地发现疾病来挽救生命。