摘要
精确的多类别皮肤病变分类对于支持早期检测和临床决策的计算机辅助诊断(CAD)系统至关重要。尽管基于人工智能的CAD系统取得了进展,但仍存在一些关键挑战,包括严重的类别不平衡、分类精度有限、计算成本高以及模型可解释性不足。为应对这些挑战,本研究提出了一种轻量级、可解释的多模态框架,用于不平衡多类别皮肤病变分类。该框架引入了元认知贝叶斯优化的RandAugment策略,通过应用针对解剖结构特征的增强策略来应对类别不平衡问题,同时保留临床合理的变异特征。轻量级多模态MobileNetV3Small架构通过晚期融合将皮肤镜图像特征与临床元数据整合在一起,以实现高效的表示学习。所得多模态特征使用贝叶斯优化的Light Gradient Boosting Machine(LGBM)进行分类,并通过互补的Grad-CAM和Integrated Gradients可视化来提供模型可解释性。在HAM10000数据集上的实验评估表明,在病变分组的分层五折交叉验证下,所提框架实现了98.17%的分类准确率,参数仅为1.35M,计算量仅为0.114 GFLOPs,在提供极具竞争力的预测性能的同时兼具显著的计算效率。这些结果表明,所提框架为多类别皮肤病变分类提供了一种实用、准确且可解释的解决方案,具有临床决策支持的潜力,但仍需前瞻性外部验证。
利益冲突
作者声明不存在利益冲突。
数据可用性声明
本研究使用的HAM10000数据集,包括皮肤镜图像、相关元数据和病变分割掩膜,可通过Harvard Dataverse公开获取,地址为 https://doi.org/10.7910/DVN/DBW86T。皮肤镜图像和元数据也可通过Kaggle获取,地址为 https://www.kaggle.com/datasets/kmader/skin-cancer-mnist-ham10000,相应的病变分割掩膜可在此获取 https://www.kaggle.com/datasets/tschandl/ham10000-lesion-segmentations。本研究未生成新数据。支持本研究结论的源代码可由通讯作者根据合理请求提供。内容包括以lesion_id为键的病变级别划分程序、两种评估方案的折分配和随机种子、元认知贝叶斯优化的RandAugment实现(含解剖分组映射和选定的


