用于照片中皮肤病变自动诊断的深度迁移学习

黑色素瘤并非最常见的皮肤癌形式，却是最致命的。目前该疾病由专家皮肤科医生诊断，费用高昂且需要及时获得医疗服务。深度学习的近期进展有潜力改善诊断表现、加快紧急转诊并减轻临床医生负担。通过智能手机，该技术可触达通常无法获得此类医疗服务的人群，例如世界偏远地区因经济限制者，或 2020 年因 COVID-19 取消就诊者。为此，我们研究了多种迁移学习方法，利用在 ImageNet 上预训练的模型参数并在黑色素瘤检测上微调。我们比较了 EfficientNet、MnasNet、MobileNet、DenseNet、SqueezeNet、ShuffleNet、GoogleNet、ResNet、ResNeXt、VGG 以及一个简单 CNN 在有无迁移学习下的表现。我们发现移动网络 EfficientNet（含迁移学习）取得最佳平均表现，受试者工作特征曲线下面积（AUROC）为 0.931$\pm$0.005，精确率-召回率曲线下面积（AUPRC）为 0.840$\pm$0.010。这显著优于全科医生（0.83$\pm$0.03 AUROC）与皮肤科医生（0.91$\pm$0.02 AUROC）。