《Bioengineering》:MorphoNet: An Interpretable Hierarchical Deep Learning Framework for Multi-Class Skin Lesion Classification Using Dermoscopic Morphology
编辑推荐:
准确且可解释的皮肤镜皮肤病变分类仍面临挑战,因为病变亚型常呈现重叠的视觉特征,公共数据集高度不平衡,且来自不同来源的图像可能存在显著域变异。本研究提出MorphoNet,一种用于分层皮肤病变分类的可解释两阶段深度学习框架。来自HAM10000、ISIC 201
准确且可解释的皮肤镜皮肤病变分类仍面临挑战,因为病变亚型常呈现重叠的视觉特征,公共数据集高度不平衡,且来自不同来源的图像可能存在显著域变异。本研究提出MorphoNet,一种用于分层皮肤病变分类的可解释两阶段深度学习框架。来自HAM10000、ISIC 2019和DERM12345的共16,845张皮肤镜图像被整合为八个诊断类别。在第一阶段,基于EfficientNet-B4的分类器区分良性病变与恶性病变。在第二阶段,独立的分类器分别识别四种恶性亚型和四种良性亚型。通过注意力引导的特征融合模块整合定量的不对称性、边界、颜色和直径描述符,同时采用相关性对齐正则化(CORAL)以减小三个数据源之间特征分布的差异。实验使用三个随机种子重复进行。MorphoNet在良性–恶性筛查、恶性亚型分类和良性亚型分类中分别取得了94.01±0.50%、89.05±0.51%和91.84±0.41%的准确率,相应的F1-分数为93.70±0.55%、84.00±1.00%和87.97±1.13%。消融分析表明,完整框架的F1-分数相比仅视觉的分层EfficientNet-B4模型提升了2.52–4.71个百分点。在相同训练协议下,MorphoNet也取得了高于ResNet-50、DenseNet-121和仅图像EfficientNet-B4基线的数值性能。学习到的注意力分布与临床相关的形态学特征一致。这些发现证明了层次分类、ABCD引导的特征融合和域对齐在可解释的多源皮肤病变分析中具有互补价值,但仍需进行独立的多种心临床验证。
MorphoNet:可解释分层深度学习框架用于多类皮肤病变分类
皮肤癌是全球最常见的恶性肿瘤之一,其中黑色素瘤虽占比不高,却因高转移风险导致大多数皮肤癌相关死亡。早期诊断可显著改善预后,例如德国石勒苏益格-荷尔斯泰因州的筛查项目使用黑色素瘤相关死亡在随后五年内下降约50%。临床实践中,皮肤科医生常依据ABCD法则、七点检查法和Menzies方法评估病变形态,但这些主观标准依赖医生经验,存在观察者间差异。近年来,