皮肤病变CNN分类器：面向临床部署的多模型深度学习集成方案

原作者/维护者：daorre1202 来源平台：GitHub 原始标题：skin-lesion-classifier-CNN 原始链接：https://github.com/daorre1202/skin-lesion-classifier-CNN 发布时间：2026年6月1日

核心观点：本项目提出端到端深度学习管道，用于皮肤镜图像自动分类，采用ResNet50、DenseNet121和EfficientNet-B3加权集成，结合测试时增强（TTA）与类别特定阈值校准，在ISIC 2018数据集上达到0.846的平衡准确率（BACC），重点提升黑色素瘤等恶性病变的检出敏感性，旨在解决临床部署中深度学习分类器的实用性问题。

黑色素瘤是最致命的皮肤癌类型，早期发现5年生存率超98%，但人工皮肤镜诊断存在主观性且依赖经验。深度学习分类器可辅助筛查，但标准准确率指标不足以满足临床需求（如漏诊恶性病变风险高）。本项目核心目标是通过类别特定概率阈值校准，在保证整体准确率的同时显著提高恶性病变检出率。

多模型集成策略：采用ResNet50、DenseNet121、EfficientNet-B3三种预训练CNN加权集成，权重与模型验证集BACC成比例。 测试时增强（TTA）：推理阶段对图像进行水平翻转、垂直翻转、旋转等变换，取预测平均值，降低方差提升稳定性。 临床阈值校准：仅在验证集校准类别特定阈值，要求黑色素瘤（MEL）敏感性≥0.85、特异性≥0.85；光化性角化病（AKIEC）敏感性≥0.75、特异性≥0.70，提升恶性类别BACC。 Grad-CAM可视化：展示模型关注区域，帮助医生理解决策依据，验证模型是否关注病变特征。

关键性能指标：

指标	数值
TTA集成BACC（均值±标准差，3个种子）	0.846 ± 0.009
最佳单次TTA BACC	0.8607
临床阈值下MEL敏感性	最高0.877
BACC恶性类别（MEL+BCC+AKIEC）	最高0.839

鲁棒性验证：在3个随机种子（42、7、123）及Google Colab T4、Kaggle P100平台测试，BACC标准差仅±0.009，泛化稳定。

敏感性优先设计：临床部署中假阴性（漏诊恶性病变）代价远高于假阳性，阈值校准策略基于此现实优化。 可解释性：Grad-CAM可视化让医生验证模型决策合理性，增强信任。 平台无关性：跨多个云平台验证鲁棒性，适配医院不同硬件环境。

项目意义：

• 展示深度学习研究转化为临床工具的路径，以临床需求为导向优化（敏感性优先）。
• 反思医疗场景中模型评估指标，BACC及类别特定敏感性/特异性更具临床价值。
• 开源完整代码、预训练模型及文档，降低医疗AI领域门槛。

局限性：数据集规模有限（部分类别样本少）、单一数据源（仅ISIC）、多分类结果需进一步聚合为临床二元决策。

未来方向：多模态融合（结合临床元数据）、主动学习（收集难例迭代改进）、边缘部署（优化模型在移动/边缘设备运行）。