论文标题：Enhancing Melanoma Diagnosis with Advanced Deep Learning Models Focusing on Vision Transformer, Swin Transformer, and ConvNeXt

论文链接：https://www.mdpi.com/2296-3529/11/3/26

期刊名：Dermatopathology

期刊主页：https://www.mdpi.com/journal/dermatopathology

导语

皮肤癌是全球最常见的癌症之一，其中黑色素瘤尤为凶险——它进展迅速、易发生转移，但如果在早期发现，治愈率极高。如何通过人工智能技术提升黑色素瘤的诊断准确率，成为医学图像分析领域的重要课题。近日，一项发表在 Dermatopathology 期刊上的研究探索了三种先进深度学习模型在黑色素瘤诊断中的应用，为皮肤科医生带来了新的“AI助手”。

三大模型同台竞技

这项研究系统评估了ConvNeXt、Vision Transformer (ViT) Base-16 和 Swin Transformer V2 Small 三种前沿深度学习模型，在皮肤镜图像中区分良性与恶性黑色素瘤的能力。研究团队从Kaggle获取了13,900张皮肤镜图像，经过标准化预处理后用于模型训练和验证。所有图像均统一为224×224像素，确保输入数据的一致性。所提出方法论的图形化表示见图1。

ConvNeXt模型之所以备受关注，在于其独特的设计理念——它融合了传统卷积神经网络（CNN）与Transformer架构的双重优势。一方面，CNN擅长捕捉图像的局部细节特征，如边缘、纹理等；另一方面，Transformer能够建立全局上下文关联，理解图像整体结构。这种“既见树木，又见森林”的混合架构，使其在处理复杂的皮肤病变图像时表现格外出色。

图1. 实验设置

ConvNeXt脱颖而出

研究结果令人振奋。在三种模型中，ConvNeXt以91.5%的总体准确率位居榜首。更重要的是，它在精确率与召回率之间达到了理想平衡：

•良性病例：精确率90.45%，召回率92.8%

•恶性病例：精确率92.61%，召回率90.2%

•F1分数：良性病例91.61%，恶性病例91.39%

在医疗诊断场景中，精确率与召回率的平衡至关重要——既要避免漏诊恶性病例（假阴性），又要减少对良性病例的过度诊断（假阳性），从而降低患者不必要的心理负担和医疗资源浪费。

从实验室到临床：挑战与前景

尽管结果令人鼓舞，但研究也坦诚指出了当前AI辅助诊断面临的现实挑战。论文讨论部分提到，目前训练数据在肤色多样性和病变形态覆盖方面仍有局限，模型的“可解释性”尚待提升——医生不仅需要知道“AI判断这是恶性的”，更需要理解“为什么做出这个判断”。

未来，研究者计划通过扩大数据集多样性、引入色彩恒常性算法来标准化图像外观，以及加强模型的可解释性研究，推动AI工具真正融入临床工作流程。正如研究所指出的：“人工智能与深度学习的持续进步，加之研究者与临床医生的紧密协作，将催生更精准、更高效的诊断工具，最终改善黑色素瘤患者的早期检出率与治疗结局。”

结语

当深度学习模型学会“阅读”皮肤镜图像，黑色素瘤的早期诊断正迎来新的可能性。这项研究不仅展示了AI在医学图像分析中的潜力，也为皮肤病理学的精准化发展提供了技术方向。随着算法的持续优化与临床验证的深入，我们或许很快会看到更多“AI皮肤科医生”的落地应用。

Dermatopathology 期刊介绍

主编：Gürkan Kaya, University Hospital of Geneva, Switzerland

Dermatopathology (ISSN 2296-3529) 创刊于2014年，是由欧洲皮肤病理协会 (ESDP) 主办，MDPI合作出版的国际同行评议开放获取期刊。本刊专注于皮肤病理学领域的诊断实践、人类及实验动物研究。

2025 Impact Factor：1.8

2025 CiteScore：2.7

Time to First Decision：27 Days

Acceptance to Publication：5.7 Days