基于深度学习的皮肤癌图像诊断研究综述

基于深度学习的皮肤癌图像诊断研究综述皮肤癌是全球范围内最常见的恶性肿瘤之一，根据世界卫生组织2025年发布的全球癌症统计报告，每年新增皮肤癌病例超过300万，其中恶性黑色素瘤的致死率在所有皮肤癌类型中居于首位。早期准确诊断是降低皮肤癌死亡率的核心关键，传统皮肤癌诊断依赖皮肤科医生的肉眼观察、皮肤镜检查及组织病理活检，诊断准确率受医生临床经验、医疗资源分布等因素影响显著，在基层医疗机构及医疗资源匮乏地区，漏诊、误诊率可达30%以上。随着医学影像技术与人工智能的交叉融合发展，深度学习算法凭借强大的特征自动提取能力，在皮肤癌图像诊断领域展现出巨大应用潜力，相关研究成果已经逐步从实验室走向临床应用场景。深度学习在皮肤癌图像诊断中的核心算法架构卷积神经网络（CNN）是当前皮肤癌图像诊断领域应用最广泛的深度学习架构，其局部感受野、权值共享的特性能够高效捕捉图像中的纹理、形状、颜色等微观特征。早期研究多采用经典CNN架构实现皮肤良恶性病变分类，2017年斯坦福大学团队提出的基于InceptionV3架构的皮肤癌诊断模型，在13万张皮肤镜图像数据集上的分类准确率达到91%，首次实现了与专业皮肤科医生相当的诊断水平，该研究也成为深度学习皮肤癌诊断领域的里程碑式成果。后续研究针对皮肤癌图像的特征特性对CNN架构进行了多维度优化，部分研究者通过引入注意力机制，让模型自动聚焦于病变区域的关键特征，降低背景噪声及毛发、气泡等伪影对诊断结果的干扰，2024年国内某团队提出的通道-空间双注意力融合CNN模型，在ISIC2023数据集上的良恶性分类准确率达到94.2%，相比基础InceptionV3模型提升了2.7个百分点。除了经典CNN架构外，Transformer架构近年来也开始在皮肤癌图像诊断领域展现出独特优势。Transformer的自注意力机制能够捕捉图像中不同区域的长距离依赖关系，对于病变区域边界模糊、特征分布分散的黑色素瘤诊断具有更好的适配性。2025年谷歌健康团队提出的基于SwinTransformer的皮肤癌多分类模型，能够实现对7种常见皮肤病变的精准分类，整体分类准确率达到93.5%，对于鳞状细胞癌的识别准确率甚至超过了97%，解决了传统CNN模型对稀有类型皮肤癌识别准确率不足的问题。同时，多模态融合架构成为新的研究热点，研究者将皮肤镜图像与患者临床数据（年龄、性别、病变部位、病史等）、共聚焦激光扫描显微镜图像等多源数据进行融合，构建多模态诊断模型，进一步提升诊断的全面性与准确性，2026年最新发表的研究成果显示，融合图像与临床文本数据的多模态模型，对于早期黑色素瘤的诊断灵敏度提升了4.2%，能够有效降低漏诊率。皮肤癌图像诊断中的关键技术挑战数据质量与数据集偏差是制约深度学习皮肤癌诊断模型性能的首要瓶颈。当前公开的皮肤癌图像数据集主要来自欧美地区，数据集中浅色人种的皮肤病变样本占比超过85%，深色人种样本占比不足5%，基于这类数据集训练的模型在针对深色人种皮肤病变诊断时准确率会下降15%以上，存在明显的种族偏差。同时，数据集中常见类型皮肤癌样本占比较高，而罕见类型皮肤癌样本量往往不足百例，模型对稀有病变类型的泛化能力严重不足。此外，皮肤镜图像采集过程中存在的光照不均、毛发遮挡、气泡伪影等问题，也会影响模型特征提取的准确性，尽管目前已有多种图像预处理算法用于去除伪影，但如何在去除干扰的同时保留病变区域的关键特征，仍然是尚未完全解决的技术难点。模型的可解释性不足是深度学习皮肤癌诊断模型落地临床的核心障碍。深度学习模型的“黑箱”特性导致医生无法知晓模型做出诊断结论的依据，难以判断模型是否抓住了病变的核心特征，也无法排除模型因学习到数据集中的虚假关联而做出错误诊断的可能性。例如部分研究发现，当训练数据中恶性病变样本多包含标尺标记时，模型会错误地将标尺作为判断恶性病变的特征，在实际临床场景中出现严重的误诊。近年来尽管已经涌现出类激活映射、梯度加权类激活映射等模型可解释性方法，但这些方法仅能粗略显示模型关注的图像区域，无法给出符合医学诊断逻辑的特征解释，距离临床医生的实际需求仍有较大差距。如何构建符合医学知识规则、能够输出结构化诊断依据的可解释深度学习模型，是该领域未来需要重点突破的方向。小样本学习与泛化能力提升也是当前研究的重点难点。在临床场景中，罕见类型皮肤癌的样本采集难度极大，难以获得足够的标注样本用于模型训练，传统监督学习方法在小样本场景下容易出现过拟合问题。为解决这一问题，研究者开始将小样本学习、少样本学习、迁移学习等技术引入皮肤癌诊断领域，通过在大规模通用图像数据集上进行预训练，再利用少量皮肤癌样本进行微调，能够在一定程度上提升小样本场景下的模型性能。2025年发表的一项研究采用元学习框架构建的小样本皮肤癌诊断模型，仅需要10张罕见类型皮肤癌样本即可实现超过85%的分类准确率，相比传统迁移学习方法性能提升了12个百分点。但这类模型在不同采集设备、不同医疗机构的数据集上的跨域泛化能力仍然不足，当目标域数据与训练域数据分布差异较大时，模型性能会出现明显衰减，如何提升模型的跨设备、跨人群、跨机构泛化能力，仍然是需要持续研究的问题。深度学习皮肤癌诊断的临床应用进展目前深度学习皮肤癌诊断系统已经在多个国家进入临床应用阶段，2021年美国FDA首次批准了一款基于深度学习的皮肤癌辅助诊断软件，该软件可以对手机拍摄的皮肤病变图像进行初步风险评估，帮助普通用户进行皮肤癌早期筛查，截至2026年，该软件已经在全球范围内积累了超过2000万用户，累计识别出超过12万例疑似恶性病变，其中最终经病理确诊的病例超过8万例，对于提升皮肤癌早期发现率发挥了重要作用。在医疗机构端，皮肤癌辅助诊断系统已经开始融入皮肤科临床工作流程，医生在完成皮肤镜图像采集后，系统可以自动给出病变的良恶性概率、疑似病变类型建议及相关特征标注，帮助年轻医生提升诊断准确率，减少漏诊。2025年国内某三甲医院的临床对照试验显示，使用深度学习辅助诊断系统后，低年资皮肤科医生的皮肤癌诊断准确率从78%提升到了89%，诊断平均耗时从3.2分钟缩短到了1.4分钟，显著提升了诊断效率。面向基层医疗的便携式皮肤癌诊断设备也成为应用热点，研究者将轻量化深度学习模型部署到智能手机、便携式皮肤镜等边缘设备上，实现无需依赖云端计算的本地实时诊断。2024年国内团队开发的便携式皮肤智能诊断设备，重量仅120g，内置的轻量化CNN模型可以在1秒内完成病变图像的分析诊断，在基层医疗机构的试点应用中，对于皮肤良恶性病变的诊断准确率达到90.3%，基本能够满足基层筛查的需求，对于解决基层医疗机构皮肤科医生不足的问题具有重要意义。同时，远程皮肤癌诊断平台也开始逐步普及，患者可以通过手机上传皮肤病变图像，由云端的深度学习模型进行初步筛查，对于高风险病例自动转诊至上级医院的皮肤科专家进行复诊，构建起“基层筛查-上级确诊-分级诊疗”的完整服务链条，2025年国内某省份搭建的远程皮肤癌筛查平台，仅用半年时间就完成了超过100万人次的皮肤癌筛查，发现早期皮肤癌病例2300余例，大幅提升了皮肤癌的早诊早治率。领域未来发展趋势多模态全流程诊断是未来皮肤癌诊断的重要发展方向，未来的诊断系统将不再局限于单一的皮肤镜图像分析，而是会整合皮肤镜图像、临床文本、病理图像、基因检测数据等多源信息，实现从早期筛查、术前诊断、病理分型到预后评估的全流程辅助支持。例如通过融合术前皮肤镜图像与术后病理数据，构建预后预测模型，可以提前评估患者的复发风险，为后续治疗方案制定提供参考。同时，生成式人工智能技术也将在皮肤癌诊断领域发挥更大作用，利用扩散模型生成高质量的罕见类型皮肤癌样本，能够有效解决数据集样本不平衡的问题，进一步提升模型对稀有病变类型的识别能力。2026年的最新研究显示，采用生成式AI扩充训练数据集后，模型对3种罕见皮肤癌的分类准确率平均提升了7.8个百分点，验证了生成式AI在该领域的应用价值。模型的临床合规性与安全性将成为后续研究的关注重点，随着相关产品逐步进入临床应用，如何建立完善的模型性能评估体系、确保诊断结果的可靠性与安全性，成为行业需要解决的关键问题。未来将会形成更加严格的技术标准与监管规范，针对深度学习皮肤癌诊断模型的训练数据质量、算法可解释性、诊断准确率、泛化能力等指标制定明确的量化要求，确保产品在临床应用中不会对患者造成伤害。同时，federatedlearning（联邦学习）技术的应用也将进一步推动数据共享与隐私保护的平衡，通过在不共享原始患者数据的前提下实现多中心联合训练，能够有效扩大训练数据集的覆盖范围，解决数据孤岛问题，进一步提升模型的泛化能力与普适性。长期来看，深度学习皮肤癌诊断技术将朝着更加普惠化、智能化的方向发展，随着技术的不断成熟与成本的持续下降，相关诊断设备与系