[论文解读] The Impact of Lesion Focus on the Performance of AI-Based Melanoma Classification

Tanay Donde|arXiv (Cornell University)|Jan 1, 2026

Cutaneous Melanoma Detection and Management被引用 0

一句话总结

该论文通过掩码图像、边界框和迁移学习，分析模型对病灶区域的注意力如何影响黑色素瘤分类性能，并使用可解释性方法评估对齐情况。研究发现对病灶更关注通常会提升诊断指标。

ABSTRACT

Melanoma is the most lethal subtype of skin cancer, and early and accurate detection of this disease can greatly improve patients' outcomes. Although machine learning models, especially convolutional neural networks (CNNs), have shown great potential in automating melanoma classification, their diagnostic reliability still suffers due to inconsistent focus on lesion areas. In this study, we analyze the relationship between lesion attention and diagnostic performance, involving masked images, bounding box detection, and transfer learning. We used multiple explainability and sensitivity analysis approaches to investigate how well models aligned their attention with lesion areas and how this alignment correlated with precision, recall, and F1-score. Results showed that models with a higher focus on lesion areas achieved better diagnostic performance, suggesting the potential of interpretable AI in medical diagnostics. This study provides a foundation for developing more accurate and trustworthy melanoma classification models in the future.

研究动机与目标

• 通过检验病灶注意力对性能的影响，强调在黑色素瘤诊断中获得可靠AI的重要性。
• 评估增加对病灶区域的注意力是否能提高分类的准确性、精确度、召回率和F1分数。
• 评估掩码、边界框检测和迁移学习等技术以增强病灶聚焦。
• 比较多种可解释性方法，以定性评估注意力映射与病灶的对齐程度。

提出的方法

• 在ISIC-2019和HAM10000数据集上训练并比较基于CNN的分类器（InceptionV3基线）。
• 使用YOLOv8（在HAM10000上训练）进行边界框检测以定位病灶再进行分类。
• 通过应用分割掩码将病灶区域提取并将背景设为白色来生成掩码图像。
• 进行掩码到常规的迁移，将在掩码图像上训练的模型在常规图像上微调。
• 将掩码与常规数据集结合，常规图像比例设为50/75/90%，并设定两种训练起点（ImageNet预训练和皮肤癌预训练）。
• 应用Grad-CAM、Sobol’和RISE对最终模型的病灶区域对齐进行定性评估。

实验结果

研究问题

• RQ1 增加对病灶区域的注意力是否与黑色素瘤分类性能的提升相关？
• RQ2 病灶定位与掩码策略是否相较基线分类器能提升诊断指标？
• RQ3 可解释性方法在不同训练配置下如何反映对病灶的注意力对齐？
• RQ4 结合掩码与常规数据集对准确性、精确度、召回率和F1分数有何影响？

主要发现

• 基线InceptionV3达到90.22%的准确率和0.743的F1分数（精确度0.8096，召回0.6868）。
• 基于YOLO的病灶检测达到85.13%的准确率，但F1仅0.348，表明在黑色素瘤检测上平衡性较差。
• 掩码到常规迁移（最佳配置）获得90.19%的准确率和0.734的F1（精确度0.831，召回0.657）。
• 在常规图像75%比例的组合数据集（方法2）达到91.87%的准确率和0.780的F1（精确度0.853，召回0.719）。
• 对于真实黑色素瘤样本，组合数据集模型的注意力对齐的改善与召回率的提升相关（0.719）。
• 对于真实非黑色素瘤样本，注意力对齐的改善与更高的精确度相关（0.853）。