皮肤病变分类的机器学习实践：从特征提取到深度微调的对比研究

本文介绍了一个基于HAM10000数据集的多类别皮肤病变分类项目，系统性对比了冻结特征提取结合SVM与深度微调模型两种方法的性能差异，为医学影像AI应用提供实践参考。项目原作者为Rafaela Mlucca，来源平台为GitHub，发布时间2026年6月15日。

皮肤癌是全球最常见癌症类型之一，早期准确诊断对预后至关重要。HAM10000数据集是皮肤病变分类领域的重要基准，包含七种常见病变类型。本项目目标不仅是实现高准确率分类模型，更在于比较不同技术路线优劣，为实际应用技术选型提供数据支撑。

冻结特征提取+SVM

• 流程：使用预训练CNN（如ResNet/VGG）作为固定特征提取器，输出特征向量输入SVM分类器
• 优势：训练速度快、计算成本低、不易过拟合
• 局限：预训练特征可能不适配医学影像特殊性，无法针对任务优化

深度微调

• 流程：分阶段微调预训练模型权重，逐步放开更多层更新
• 优势：能学习任务特定特征，捕捉皮肤病变细微差异
• 局限：需更多数据和计算资源，存在过拟合风险

包含10015张皮肤镜图像，涵盖七种病变类型：

• 色素性病变：黑色素细胞痣（nv）、黑色素瘤（mel）
• 良性病变：脂溢性角化病（bkl）、良性角化病样病变
• 炎症性病变：皮炎（df）
• 血管性病变：血管病变（vasc）
• 其他恶性病变：基底细胞癌（bcc）、光化性角化病（akiec）

数据集类别分布不平衡，需采用过采样、类别权重调整或focal loss等策略平衡。

数据划分：分层k折交叉验证 评估指标：整体准确率、敏感性（Recall）、特异性、F1分数、AUC-ROC、混淆矩阵 数据增强：对两种方法应用相同增强策略（旋转、翻转、亮度调整等）确保对比公平

理论预期深度微调在数据和资源充足时性能更优，但数据或资源受限场景下冻结特征+SVM性价比更高。选择方法需综合考虑：

1. 数据规模：充足时优先微调
2. 计算资源：边缘部署适合轻量方案
3. 实时性：SVM推理速度更快
4. 可解释性：传统方法特征更易解释

• 可解释性：类激活图（CAM）高亮关注区域增强可信度
• 不确定性量化：输出置信度分数，低置信度建议人工复核
• 持续学习：支持模型更新不遗忘已有知识
• 公平性：确保不同肤色人群表现一致

本项目为皮肤病变分类技术选型提供实证依据，两种方法各有适用场景。未来可探索：

• 半监督学习利用未标注数据
• 多模态融合结合临床元数据
• 轻量化模型便于移动端部署
• 联邦学习保护患者隐私

期待更多开源项目推动医学AI与临床需求结合。