利用上下文数据增强实现可泛化的黑色素瘤检测

尽管皮肤癌检测多年来一直是深度学习的一项有价值的应用，但其评估往往忽视了测试图像被评估时的上下文环境。传统的黑色素瘤分类器假设其测试环境与训练所用的结构化图像相当。本文质疑这一观念，并指出在专业皮肤科中作为关键属性的痣的大小，在自动化黑色素瘤检测中可能产生误导。虽然恶性黑色素瘤往往比良性黑色素瘤更大，但在无法对图像进行上下文缩放时，仅依赖大小可能是不可靠的甚至有害的。为解决此问题，本实现提出了一种自定义模型，其执行多种数据增强程序，以防止对错误参数的过拟合，并模拟黑色素瘤检测应用的实际使用场景。我们实现了多种采用不同数据增强形式的自定义模型，以凸显痣分类器的最显著特征。这些实现强调了在部署此类应用时考虑用户不可预测性的重要性。我们承认手动修改数据所需的谨慎，因为这可能导致数据丢失和有偏见的结论。此外，还考虑了数据增强在皮肤科和深度学习社区中的意义。