处理皮肤病变分类中的类别不平衡问题：探究各种平衡技术的优势与不足
定量方法
2025-12-19 v1
摘要
从皮肤镜图像中自动进行皮肤病变分类对于黑色素瘤等皮肤疾病的早期诊断至关重要。皮肤病变数据集中的类别不平衡，特别是恶性（癌性）病例代表性不足的缺陷，是影响深度学习模型性能和泛化能力的难题之一。本文以 ISIC 2016 数据集为例，对旨在解决类别不平衡问题的一些平衡方法进行了详尽回顾。我们将轻量级 CNN 模型 MobileNetV2 与欠采样、过采样以及混合平衡方法（如 Tomek Links (TL)、SMOTE 以及 SMOTE 与 TL 结合）相结合。像 SMOTE 和 ADASYN 这样的过采样方法能提升性能，但可能因产生冗余的合成样本而导致过拟合。像 SMOTE+TL 这样的混合方法通过移除噪声或边界样本来弥补这一缺陷，从而增强模型的泛化能力。因此，本分析强调了在医学图像处理中，为构建稳健且灵敏的诊断系统而选择正确平衡方法的必要性。
引用
@article{arxiv.2512.15837,
title = {Handling Class Imbalance Problem in Skin Lesion Classification: Finding Strengths and Weaknesses of Various Balancing Techniques},
author = {Ariful Islam Khandaker and Abdullah Al Shafi and Mohiuddin Ahmad},
journal= {arXiv preprint arXiv:2512.15837},
year = {2025}
}
备注
Accepted at 2025 International Conference on Quantum Photonics, Artificial Intelligence, and Networking (QPAIN)