[论文解读] A Machine Vision Approach to Preliminary Skin Lesion Assessments

Ali Khreis, Ro'Yah Radaideh+1 more|arXiv (Cornell University)|Jan 21, 2026

Cutaneous Melanoma Detection and Management被引用 0

一句话总结

论文将 ABCD 皮肤镜检规则与机器学习结合，用于评估皮肤病变，比较基于规则的管道与 ML 模型，包括一个从零开始训练的 CNN，在 HAM10000 数据集上提高了准确性。

ABSTRACT

Early detection of malignant skin lesions is critical for improving patient outcomes in aggressive, metastatic skin cancers. This study evaluates a comprehensive system for preliminary skin lesion assessment that combines the clinically established ABCD rule of dermoscopy (analyzing Asymmetry, Borders, Color, and Dermoscopic Structures) with machine learning classification. Using a 1,000-image subset of the HAM10000 dataset, the system implements an automated, rule-based pipeline to compute a Total Dermoscopy Score (TDS) for each lesion. This handcrafted approach is compared against various machine learning solutions, including traditional classifiers (Logistic Regression, Random Forest, and SVM) and deep learning models. While the rule-based system provides high clinical interpretability, results indicate a performance bottleneck when reducing complex morphology to five numerical features. Experimental findings show that transfer learning with EfficientNet-B0 failed significantly due to domain shift between natural and medical images. In contrast, a custom three-layer Convolutional Neural Network (CNN) trained from scratch achieved 78.5% accuracy and 86.5% recall on median-filtered images, representing a 19-point accuracy improvement over traditional methods. The results demonstrate that direct pixel-level learning captures diagnostic patterns beyond handcrafted features and that purpose-built lightweight architectures can outperform large pretrained models for small, domain-specific medical datasets.

研究动机与目标

• 促使早期、可解释的病变评估以辅助黑色素瘤检测。
• 开发一个混合管道，从皮肤镜检特征计算总皮肤镜分数（Total Dermoscopy Score, TDS）。
• 在标准数据集上比较手工特征、经典 ML 和深度学习方法。
• 评估领域移位和数据集规模对模型性能的影响。
• 证明为小型医学数据集量身定制的轻量级 CNN 的可行性。

提出的方法

• 实现基于规则的管道，从 ABCD 规则特征计算总皮肤镜分数（TDS）。
• 在相同任务上评估传统分类器（逻辑回归、随机森林、SVM）。
• 使用 EfficientNet-B0 在 HAM10000 派生图像上进行迁移学习测试。
• 从头在中位值滤波图像上训练自定义的三层 CNN。
• 比较各方法在准确率和召回率方面的表现。

实验结果

研究问题

• RQ1 规则基于 ABCD 派生的 TDS 能否提供与 ML 模型相当的诊断信号？
• RQ2 传统 ML 模型还是迁移学习网络在 HAM10000 派生数据上胜过手工特征？
• RQ3 一个从零开始、为小型医学数据集量身定制的简短 CNN 能否超越更大预训练模型？

主要发现

• 基于规则的 TDS 方法在临床可解释性方面具有较高优势，但在将形态压缩为五个特征时表现存在瓶颈。
• 使用 EfficientNet-B0 的迁移学习因自然图像与医学图像之间的领域移位而显著失败。
• 在中位值滤波图像上，定制的三层 CNN 从头训练达到 78.5% 的准确率和 86.5% 的召回率。
• 该 CNN 在准确率方面比传统方法提升约 19 点。
• 直接像素级学习捕捉到比手工特征更具诊断性的模式，支持在小数据集上使用轻量级架构。