迈向普及型皮肤病学：基于移动端采集图像的深度学习皮肤病变分类

皮肤病是全球最常见的健康问题之一，然而传统的诊断方法往往成本高昂、过程复杂，且在资源匮乏的环境中难以获得。使用深度学习的自动分类已成为一种很有前景的替代方案，但现有研究大多局限于皮肤镜数据集和狭窄的疾病类别范围。在本工作中，我们整理了一个包含 50 多个皮肤疾病类别的大型数据集，这些图像均由移动设备采集，使其更能代表真实世界条件。我们评估了多种卷积神经网络和基于 Transformer 的架构，结果表明 Transformer 模型，特别是 Swin Transformer，通过有效捕获全局上下文特征实现了卓越的性能。为了增强可解释性，我们引入了梯度加权类激活映射（Grad-CAM），它突出了临床相关区域并为模型预测提供了透明度。我们的结果强调了基于 Transformer 的方法在移动端采集皮肤病变分类中的潜力，为在资源有限的环境中实现可普及的 AI 辅助皮肤病学筛查和早期诊断铺平了道路。