Enhanced Classifications of Skin Melanoma, Actinic Keratosis, and Basal Cell Carcinoma Tumors Versus Normal Tissues Utilizing YOLOv11 and EfficientNetV2M Deep Learning Models
本文评估了 YOLOv11 和 EfficientNetV2M 模型在不平衡的 HAM10000 数据集上进行皮肤肿瘤分类的表现，结果表明 YOLOv11 在高灵敏度筛查方面实现了更优的召回率（86.5%），而结合了 SVM 分类器的 EfficientNetV2M 则为精确分诊提供了更高的特异性（96.8%）。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你的皮肤是一座繁忙的城市，有时，一些微小的捣蛋鬼（肿瘤）会开始冒头。有些是无害的寄生者（良性），而有些则是危险的罪犯（恶性），比如黑色素瘤、日光性角化症和基底细胞癌。医生面临的巨大挑战在于，如何在不被那些无害者误导的情况下，快速发现这些坏家伙。
在这项研究中，研究人员 Salah Aly 和 Alaa Awad 扮演了侦探的角色，测试了两款不同的高科技“巡逻车”，以观察哪一个最擅长抓捕这些皮肤捣蛋鬼。他们使用了一个名为 HAM10000 的庞大数字相册，其中包含超过 10,000 张皮肤斑点的照片。为了使其更符合现实情况，他们保持了数据的混乱性：每 4 个好人中，只有 1 个坏蛋，就像现实世界一样。
两位竞争者
首先，他们请来了 YOLOv11。把 YOLOv11 想象成一名超级快速、高度警觉且从不眨眼的保安。它的设计初衷是扫描人群并立即大喊：“我看到可疑情况了！”研究人员想看看这个从未在皮肤斑点领域接受过测试的新型保安，是否能胜任这项工作。
其次，他们测试了 EfficientNetV2M。想象这是一个聪明的侦探，他拍下一张照片，仔细研究它，然后将其交给一位专门的法官。他们尝试了两种类型的法官：一种是标准的神经网络（数字大脑），另一种是 SVM（一个非常严格、讲逻辑的规则遵循者）。
巅峰对决
当测试运行时，结果非常明确，但根据你的需求不同，它们讲述了两个不同的故事。
YOLOv11 保安是“抓捕所有人”的冠军。它在 92.8% 的情况下给出了正确答案。更重要的是，它抓住了 86.5% 的实际坏蛋（召回率/Recall）。这意味着它很少漏掉罪犯。然而，它有点过于积极了，有时会将无害的斑点标记为可疑（精确率/Precision 较低）。研究人员认为，这使得 YOLOv11 非常适合作为第一道防线：一种筛查工具，在这种情况下，漏掉一个坏蛋是最严重的错误。
EfficientNetV2M 团队，尤其是与严格的 SVM 法官配合时，则玩起了另一种游戏。它的正确率达到了 85.0%。虽然它比 YOLOv11 漏掉了一些坏蛋，但它在识别“安全”方面表现得极其出色。它正确识别了 96.8% 的无害斑点（特异性/Specificity）。研究人员发现，这个版本提供了一种“临床保守型”的平衡，这意味着它非常适合分诊——即决定谁绝对需要去看医生，以及谁可以安全回家而不引起恐慌。
他们没有做的事情
值得注意的是，这项研究并没有做某些事情。研究人员并未声称他们已经永久解决了皮肤癌诊断问题。他们没有混合其他类型的数据（如患者年龄或遗传学）来提升分数，也没有使用复杂的“知识蒸馏”技巧（即一个模型教导另一个模型）。他们坚持使用模型本身的原始力量。
此外，虽然他们将自己的结果与 ResNet50 和 RegNetY-320 等著名模型进行了比较，但并未声称他们的方法在每一个场景下都是绝对的“最佳”。他们只是展示了 YOLOv11 在不需要额外帮助的情况下，如何达到或超过了那些旧模型，并表明 EfficientNet+SVM 的组合提供了另一种有价值的准确性。
底线结论
论文指出，并不存在一个“完美的”机器人医生。如果你正在运行一个大规模的筛查营地，并且承担不起漏掉任何一个癌症病例的后果，那么 YOLOv11 模型是你的最佳选择，因为它几乎能抓住一切。但如果你需要在让某人进行令人恐惧的后续检查之前非常确定，那么 EfficientNetV2M + SVM 模型则是更安全、更精准的选择。
作者承认，虽然这些数字令人印象深刻，但真正的考验尚未到来。他们建议，未来的工作需要将这些模型在全新的、独立的患者群体上进行测试，以观察它们在这个特定相册之外的表现是否同样出色。目前，他们提供了一个坚实且可重复的基准，证明了这些现代 AI 工具已经准备好提供帮助，前提是我们要为特定的任务选择合适的工具。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。