延世大学与Konyang大学团队提出DDCF：皮肤镜主导融合提升九类皮损诊断

文/IAICA.NGO®

皮肤病变的AI辅助诊断正在从“看图识病”走向“多视角证据整合”。临床医生检查可疑痣或斑块时，通常先用肉眼观察皮损颜色、大小及其在身体上的位置，再使用皮肤镜观察色素网络、球状结构、血管形态等皮下细节。两种图像互为补充，但诊断信息密度并不对等。发表于 BMC Medical Imaging 的一项研究由延世大学原州医学院的 Yusung Chu 与 Konyang University 的 Sejung Yang 完成，尝试把这种临床直觉写进模型结构，用于九类皮肤病变分类。

临床直觉如何转化为模型结构

研究的核心判断是，临床照片与皮肤镜图像携带的信息类型不同。皮肤镜能呈现色素网络、球状体和血管模式等对鉴别诊断更关键的形态特征；临床照片则提供病灶所处解剖位置和整体视觉背景，但在细胞与结构层面的诊断分辨率较低。现有多模态医学影像融合方法常把两种模态对称处理，以相同权重混合特征，仿佛两种视角同样具有诊断力。作者认为这种对称假设可能造成信息错位，并提出“皮肤镜主导校正融合”，即 DDCF。

非对称融合的工作方式

DDCF 不把两种特征当作平等伙伴。它保留皮肤镜表征作为模型理解病灶的主干，让临床信息以门控校正信号的方式进入，调节和细化皮肤镜特征，而不淹没后者。这一设计反映了一个临床事实：在皮肤病变分类中，皮肤镜通常是诊断力更强的模态，临床背景更适合用于校正和补充语境。为检验框架是否依赖某一网络结构，研究在 Swin-Tiny、DenseNet121 和 EfficientNet-B4 三种骨干网络上测试。Swin-Tiny 属于视觉Transformer变体，DenseNet121 是密集连接卷积网络，EfficientNet-B4 则是复合缩放卷积架构。跨骨干测试有助于区分性能提升来自融合策略本身，还是来自单一模型的归纳偏置。

数据与评估设计

评估使用 MILK10k 数据集，覆盖九个具有临床意义的诊断类别。研究者构建了三个分层病灶级划分，训练、验证和测试比例为 7:1:2，并在各划分中固定类别计数，以降低罕见类别在某些子集中缺失带来的偏差。类别不平衡在医学影像中可能悄然抬高或压低指标，分层设计因此尤为关键。对每个骨干和每个划分，校正系数被固定为特定值，并在测试前选择验证损失最低的模型检查点，以减少对测试集的过拟合。主要指标为宏平均一对其余受试者工作特征曲线下面积，即 AUROC，衡量模型在所有类别上把阳性病例排在阴性病例之前的能力；平衡准确率和宏F1作为补充指标。这样的协议并不追求单点最优，而是试图给出更接近真实泛化的估计。

对临床照护与监管的启示

皮肤镜设备、拍摄规范和医生训练水平在不同机构间差异明显，临床照片则更易获得。DDCF 的意义不只是提高某个数据集上的分类分数，更在于把模态可靠性差异显式写进网络：高质量皮肤镜承担主要诊断表征，低门槛临床照片承担校正与语境补充。iaica.com.cn 认为，这种“证据分级”思路对基层筛查、远程皮肤科和照护机构中的皮肤健康监测具有借鉴价值，但落地仍取决于外部验证、肤色与设备多样性、可解释性以及前瞻性临床研究。多模态医疗AI若继续把所有输入等权拼接，可能在真实工作流中放大噪声；而让更强证据主导、让辅助信息校正，或将成为医学影像融合更稳健的方向。监管审评也需要关注融合权重、门控机制和失败模式是否可审计，避免模型在设备缺失或图像质量下降时给出过度自信的判断。

评论

0 条

登录后才可以发表评论。

立即登录

暂无评论，快来抢沙发。