摘要

尽管皮肤癌检测多年来一直是深度学习的重要应用，但其评估往往忽略了测试图像所处的背景环境。传统的黑色素瘤分类器假设其测试环境与其训练时使用的结构化图像相似。本文对此观点提出质疑，并认为痣的大小这一在专业皮肤病学中至关重要的属性，在自动黑色素瘤检测中可能会产生误导。虽然恶性黑色素瘤通常比良性黑色素瘤更大，但仅依赖大小进行判断在无法对图像进行上下文缩放的情况下可能是不可靠甚至有害的。为了解决这一问题，本研究提出了一种自定义模型，该模型通过执行多种数据增强程序来防止对错误参数的过拟合，并模拟真实世界中黑色素瘤检测应用的使用情况。多个采用不同形式数据增强的自定义模型得以实现，以突出痣分类器最重要的特征。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必要性。文章还指出，手动修改数据需要谨慎，因为这可能导致数据丢失和偏见结论。此外，数据增强在皮肤病学和深度学习领域的意义也得到了重视。