基于移动设备捕获皮肤图像的痛风病诊断端到端深度学习框架
计算机视觉与模式识别
2025-09-11 v1 人工智能
摘要
背景：痛风病是南亚和东南亚地区的严重公共卫生问题，主要由长期饮用污染砷的水引起。其早期皮肤表现临床意义重大，但在卫生资源有限的农村地区常被低诊断，尤其是缺乏皮肤科专家。自动化、基于图像的诊断解决方案可支持早期检测和及时干预。方法：本研究提出一个用于痛风病诊断的端到端框架，使用手机拍摄的皮肤图像。策划了包括 20 类和 11000 多张痛风病及其他皮肤病条件图像的数据集。对比评估了多种深度学习架构，包括卷积神经网络（CNN）和基于 Transformer 的模型，用于痛风病检测。集成了 LIME 和 Grad-CAM 的模型可解释性，演示了基于 Web 的诊断工具的部署可行性。结果：基于 Transformer 的模型显著优于 CNN，其中 Swin Transformer 取得最佳结果（86% 准确率）。LIME 和 Grad-CAM 可视化确认，模型关注病灶相关区域，增加了临床透明度并助于错误分析。该框架在外部验证样本上也表现出强大的性能，确认其在 curated 数据集之外的泛化能力。结论：本研究框架展示了深度学习在非侵入性、易接近且可解释的痛风病诊断中的潜力。通过实现可靠的图像基于筛查，可作为农村和资源受限社区的实用诊断辅助工具，弥补缺乏皮肤科专家的情况，从而支持早期检测和及时干预。
引用
@article{arxiv.2509.08780,
title = {An End-to-End Deep Learning Framework for Arsenicosis Diagnosis Using Mobile-Captured Skin Images},
author = {Asif Newaz and Asif Ur Rahman Adib and Rajit Sahil and Mashfique Mehzad},
journal= {arXiv preprint arXiv:2509.08780},
year = {2025}
}