皮肤 lesion 分类、ABCDE 特征量化与演化模拟的多任务深度学习框架
计算机视觉与模式识别
2025-10-17 v1 机器学习
摘要
早期检测黑色素瘤至关重要，因为这显著提高了生存率，但自动化皮肤 lesion 分析仍具有挑战性。ABCDE 法则即 Asymmetry (不对称)、Border irregularity (边界不规则)、Color variation (颜色变化)、Diameter (直径) 和 Evolving (演化)，是皮肤 lesion 的分类方法，但大多数深度学习方法将其视为黑箱，因为大多数可解释特征未被解释。在本工作中，我们提出一个深度学习框架，既对皮肤 lesion 进行分类，也为每个 ABCD 特征量化得分。它模拟这些特征随时间的演化，以表示 E 方面，为未来探索打开更多窗口。对 A、B、C、D 值的量化尤其关注。此外，该框架还在潜在空间中可视化 ABCD 特征轨迹，表明皮肤 lesion 从良性 nevus 向恶性黑色素瘤的演化。实验在包含约一万张皮肤 lesion 图像的 HAM10000 数据集上进行。总而言之，分类准确率约为 89%，黑色素瘤 AUC 为 0.96，而特征评估在预测不对称、颜色变化和直径方面表现良好，但边界不规则仍较难建模。总体而言，本工作提供了一个深度学习框架，使医生能够将 ML 诊断与临床相关标准联系起来，从而提高我们对皮肤癌进展的理解。
引用
@article{arxiv.2510.14855,
title = {A Multi-Task Deep Learning Framework for Skin Lesion Classification, ABCDE Feature Quantification, and Evolution Simulation},
author = {Harsha Kotla and Arun Kumar Rajasekaran and Hannah Rana},
journal= {arXiv preprint arXiv:2510.14855},
year = {2025}
}