MultiExCam：一种用于皮肤病变分类的新型混合可解释人工智能框架

　　为解决皮肤镜图像分类中深度学习模型可解释性不足的问题，研究人员开展了名为MultiExCam的混合可解释人工智能框架研究。该研究通过集成深度学习和传统机器学习方法，结合Grad-CAM和SHAP技术，在HAM10000、ISIC和MED-NODE数据集上实现了92%、87%和94%的F1分数，显著提升了模型性能与临床可解释性，为皮肤癌早期诊断提供了可靠支持。

　　

皮肤癌是全球范围内发病率持续上升的恶性疾病，其中黑色素瘤（melanoma）因其高转移性和致死率备受关注。早期准确诊断是提高患者生存率的关键，皮肤镜成像（dermoscopy）作为非侵入性诊断工具，能够呈现皮肤病变的细微结构特征。然而，人工判读皮肤镜图像存在主观性强、诊断一致性低等问题，特别是在基层医疗机构和资源匮乏地区。近年来，深度学习（Deep Learning, DL）技术在医学影像分析领域展现出强大潜力，但大多数模型缺乏可解释性，临床医生难以理解其决策依据，这严重限制了其在临床实践中的应用。

为解决这一难题，研究团队在《Computer Methods and Programs in Biomedicine》发表了题为“MultiExCam: A novel hybrid and explainable framework for skin lesion classification”的研究论文，提出了一种创新的混合可解释框架。该研究通过整合深度卷积神经网络（CNN）与传统机器学习（Machine Learning, ML）方法，结合梯度加权类激活映射（Gradient-weighted Class Activation Mapping, Grad-CAM）和沙普利加和解释（SHapley Additive exPlanations, SHAP）技术，实现了高精度与高可解释性的统一。

研究采用三个公开数据集进行验证：HAM10000（包含10,000张皮肤镜图像）、ISIC（国际皮肤成像协作组数据集）和MED-NODE（荷兰格罗宁根大学医学中心提供的标准化数据集）。关键技术方法包括：基于ResNet50的深度特征提取、手工特征（颜色矩和纹理特征）计算、多模型集成（支持向量机SVM、随机森林RF、K近邻KNN等），以及自适应前馈神经网络（Feed-Forward Neural Network, FFNN）融合策略。预处理阶段采用形态学操作和修复算法去除毛发和暗边伪影，数据增强技术提升模型泛化能力。

研究结果通过多个维度展示：

• •
  深度模型比较：ResNet50在三个数据集上均表现最优，HAM10000准确率达90.1%，显著优于DenseNet121（89.27%）和Swin Transformer（81.95%）。
• •
  机器学习模型性能：集成模型在测试集上F1分数较基线提升1-3%，其中ISIC数据集从85%提升至87%，证明了混合策略的有效性。
• •
  可解释性分析：Grad-CAM热图成功定位病变关键区域（如不规则边界和色素网络），SHAP分析量化了特征贡献度，例如不规则边界对恶性分类呈正贡献，均匀色素区域呈负贡献。
• •
  超参数优化：Dropout=0.5、隐藏单元=32、优化器选择RMSprop时模型性能最佳，验证了配置的鲁棒性。

研究结论表明，MultiExCam框架不仅在分类性能上优于现有方法，更重要的是提供了临床可理解的决策依据。其双分支可解释机制（图像级和特征级）能够辅助医生验证模型判断，减少误诊风险。该框架的模块化设计允许灵活适配不同医疗机构的需求，尤其适用于远程皮肤病学（teledermatology）场景。未来工作将聚焦于多中心临床验证、模型轻量化部署以及扩展至多分类任务（如基底细胞癌和鳞状细胞癌）。这项研究为人工智能在临床医学中的可信应用树立了新标杆，推动了可解释人工智能（Explainable AI, XAI）在精准医疗领域的落地发展。