基于深度学习的皮肤疾病自动分类方法研究

学术汇报基于深度学习的皮肤疾病自动分类方法研究数据集·模型架构·技术路线·性能评估汇报人待定日期2026年10月研究导览01研究背景与挑战临床诊断痛点与研究必要性02数据集与基准公开数据集与类别不平衡问题03模型架构演进CNN、ViT与混合架构对比04技术路线与性能预处理、迁移学习与评估指标05前沿趋势与展望多模态基础模型与临床落地章节导览01研究背景与挑战早期诊断决定患者预后从主观经验诊断走向数据驱动的自动分类诊断困境与研究必要性早期诊断是降低皮肤癌死亡率的关键皮肤癌——全球最常见且最致命的癌症之一，早期精准诊断关乎生死。疾病负担皮肤癌全球最常见且最致命的癌症之一1%–2%黑色素瘤仅占皮肤癌病例约1%–2%，却导致超过75%的皮肤癌相关死亡100%→59%黑色素瘤厚度超过3毫米时，患者生存率骤降诊断困境75%–85%传统诊断依赖肉眼观察与皮肤镜检查，精度约75%–85%，主观性强资源不均专业皮肤科医生资源分布不均，基层医疗机构诊断能力受限从经验诊断到数据驱动深度学习实现端到端的自动特征学习研究现状2020至2025年综述采用PRISMA框架纳入

91篇

文献·成果主要发表于IEEEACCESS等期刊，中国与美国是主要产出国家研究焦点集中于皮肤病变的分类、检测与分割三大任务。以数据驱动替代经验判断，端到端自动特征学习正重塑医学影像诊断路径传统方法局限依赖图像分割与手工特征提取。受限于特征工程的复杂性。深度学习优势直接学习图像的高维特征。建立与病理标签的映射关系。章节导览02数据集与基准数据质量决定模型上限公开基准是算法可比性的前提公开数据集全景对比数据质量决定模型性能上限数据集规模与特点关键数值HAM10000皮肤镜图像，7类色素性病变，53.3%经病理确诊10,015张ISIC系列国际皮肤影像协作组织发布，规模大但类别极不平衡—PH2图像，160张痣与40张黑色素瘤，规模较小200张PAD-UFES-20常用于跨域外部评估的公开数据集—ISIC2024SLICE-3D支持图像与元数据融合评估的新数据集—HAM10000病变类别分布HAM10000训练集五类病变图像数量分布训练集总量10,015张共覆盖七类色素性皮肤病变，为模型训练提供基础数据规模。类别失衡67.0%黑素细胞痣占比接近一半，类别分布严重失衡，需关注少数类识别。类别失衡下的泛化挑战数据不平衡是模型泛化的主要障碍类别分布失衡与视觉相似性双重叠加，显著放大多类别皮肤病变分类的泛化难度类别分布失衡类别分布失衡黑素细胞痣样本占比近

50%，少数类样本严重不足ISIC档案库13,786张图像中

93.5%

为痣或黑色素瘤，非黑色素细胞病变被系统性忽视ISIC2020数据集良性与恶性图像数量悬殊，极端不平衡视觉相似性挑战早期研究局限早期研究多聚焦恶性与良性二分类，多类别分类难度显著提升类内与类间差异类内形态差异大与类间视觉相似度高，进一步加大分类难度章节导览03模型架构演进架构选择决定性能边界从局部卷积到全局注意力CNN骨干与迁移学习迁移学习是医学图像分类的主流范式预训练

ImageNet

迁移，突破医学数据规模瓶颈骨骨干网络选型ResNet结构简单、性能稳定，仍是应用最广泛的骨干网络轻量化MobileNet

与

ShuffleNet

适合移动端与基层部署策迁移学习微调策略预训练在

ImageNet

上微调，缓解医学数据规模有限的困境策略一仅重新训练顶层分类权重策略二冻结

50%

底层网络，添加自定义卷积层与

Dropout

层ViT与混合架构的崛起自注意力机制带来全局建模能力基于Swin架构的ViT在双数据集上准确率分别达

0.9212

与

0.9187，以全局建模能力超越传统CNNViT性能与代价HAM10000

准确率达

0.9212ISIC2019

准确率达

0.9187整体优于传统CNN，但自注意力机制带来更高参数量与计算成本混合架构折中方案CNN提取局部纹理，Transformer建模全局上下文特征金字塔网络融合深层语义与浅层定位特征网络架构搜索产出EfficientNet与RegNetY，计算效率更优主流模型性能横向对比四模型准确率对比96.67%ResNet50准确率0.996微观平均AUROC2次误分类次数模型表现解读模型差异显著：同一研究条件下患者级别训练验证划分下，四模型性能差异显著。ResNet50最优：准确率与AUROC均领先。验证可靠性：60张验证图像仅2次误分类。章节导览04技术路线与性能流程规范保障结果可复现指标是性能的客观语言端到端分类技术路线标准流程保障结果可复现与临床可用端到端分类

数据→模型→临床

全流程数据预处理图像标准化、高斯滤波去噪、直方图均衡化对比度增强›伪影处理基于DullRazor方法去除毛发，色卡校准完成颜色校正›病灶分割U-Net结合VGG16编码器，或采用Otsu阈值法分离病灶与背景›类别平衡GAN合成与SMOTE过采样，每类样本上限

3500张›模型训练与临床集成训练与评估完成后集成至临床决策支持系统评估指标与实验规范多维度指标共同支撑性能判断评估指标体系

与

实验设计规范通用指标+多类补充指标共同构成评估体系，实验设计通过病灶分组划分与

5折组交叉验证

保障结果稳健。评估指标体系通用指标准确率、精确率、召回率、F1分数

与ROC曲线下面积多类任务补充Macro-F1、平衡准确率、AUPRC与混淆矩阵2类指标共同覆盖模型性能判断实验设计规范数据划分按病灶标识分组，防止同一病灶泄漏至不同子集划分比例训练集

70%·验证集

10%·测试集

20%交叉验证采用

5折组交叉验证，提升评估结果稳健性章节导览05前沿趋势与展望从单任务模型走向通用智能临床落地是最终检验标准多模态视觉基础模型多模态基础模型推动诊断能力跃升210万张真实皮肤图像完成训练128种皮肤病覆盖，支持癌症筛查、风险预测与鉴别诊断10.2%超越早期黑色素瘤动态监测准确率超越人类皮肤科医生多模态数据构成全身摄影覆盖

35.3%

的训练数据病理覆盖

25.4%

的训练数据临床照片覆盖

21.4%

的训练数据皮肤镜覆盖

17.9%

的训练数据AI辅助诊断提升皮肤科医生AI辅助可使诊断准确率提升

11%非专科医生AI辅助可使皮肤癌诊断准确率提升

16.5%跨域泛化性能表现98.4%HAM1000096.2%ISIC201994.8%PAD-UFES-20跨域泛化评估仅用HAM10