《Diagnostics》：SAVE: Spectrum-Aided Visual Enhancement for AI-Based Skin Cancer Detection
编辑推荐：
背景/目的：标准RGB(红绿蓝)皮肤镜图像中受影响病灶与健康组织间复杂的视觉差异使得皮肤癌的早期识别成为临床难点。方法：针对此生物医学挑战，本研究提出一种称为光谱辅助视觉增强器(Spectrum-Aided Visual Enhancer, SAVE)的信号处
背景/目的：标准RGB(红绿蓝)皮肤镜图像中受影响病灶与健康组织间复杂的视觉差异使得皮肤癌的早期识别成为临床难点。方法：针对此生物医学挑战，本研究提出一种称为光谱辅助视觉增强器(Spectrum-Aided Visual Enhancer, SAVE)的信号处理与图像重建新方法。所提出的SAVE机制旨在利用高光谱成像(Hyperspectral Imaging, HSI)和波段选择(Band Selection, BS)原理，从常规RGB皮肤镜图像中重建具有诊断价值的光谱信息。经质量控制和预处理后，研究人员选取ISIC2019数据集中含有基底细胞癌(Basal Cell Carcinoma, BCC)、脂溢性角化病(Seborrheic Keratosis, SK)和光化性角化病(Actinic Keratosis, AK)病灶的图像共865张。为防止数据泄漏，数据集按70%、20%、10%划分为训练集、验证集和测试集。研究人员在常规RGB图像数据集和SAVE增强数据集上分别训练并测试了五种有监督深度学习目标检测模型——YOLOv8、YOLOv10、YOLOv11、SSDLite及SSD(Single Shot MultiBox Detector)，并进行了重复实验评估和统计比较以评价性能提升。结果：实验结果表明，基于SAVE的预处理在病灶检测方面的表现始终优于常规RGB图像处理。其中采用SAVE框架的SSD模型表现最为优异，准确率(Accuracy)达96%，精确率(Precision)达97%，召回率(Recall)达96%，F1分数(F1-score)达96%。结论：结果表明，所提出的SAVE框架是一种有前景的兼容RGB的光谱增强技术，可借助人工智能辅助提升皮肤癌检测及计算机辅助皮肤科分析水平。
论文解读：《SAVE: Spectrum-Aided Visual Enhancement for AI-Based Skin Detection》发表于《Diagnostics》
研究背景与立项依据
皮肤癌特别是非黑色素瘤皮肤癌(Non-Melanoma Skin Cancer, NMSC)，主要包括基底细胞癌(Basal Cell Carcinoma, BCC)和鳞状细胞癌(Squamous Cell Carcinoma, SCC)，是全球发病率增长最快的恶性肿瘤之一，早期确诊对改善预后至关重要。常规皮肤镜(Dermoscopy)获取的是红(R)、绿(G)、蓝(B)三通道标准RGB图像，难以呈现细微的色素及血管光谱特征，导致早期光化性角化病(Actinic Keratosis, AK)、BCC及脂溢性角化病(Seborrheic Keratosis, SK)等低对比度病灶与周围健康皮肤区分困难。高光谱成像(Hyperspectral Imaging, HSI)虽能提供连续波段的光谱"超立方体(Hypercube)"信息以揭示组织光学特性，但其设备昂贵、数据量大、临床普及受限。因此，研究人员开展本研究旨在设计一种无需专用HSI硬件、能从常规RGB图像中重构诊断相关光谱信息并进行波段选择(Band Selection, BS)的预处理框架——光谱辅助视觉增强器(Spectrum-Aided Visual Enhancer, SAVE)，以提升基于人工智能(Artificial Intelligence, AI)的皮肤癌病灶目标检测性能。
主要关键技术方法
研究人员选用ISIC2019(ISIC: International Skin Imaging Collaboration)公开数据集，筛选出AK(257张)、BCC(286张)、SK(322张)共865张经质量控制的皮肤镜图像，按7:2:1划分为训练、验证与测试集，训练集做水平与垂直翻转扩增。SAVE预处理流程为：将RGB图像归一化至sRGB空间并做伽马校正(Gamma Correction)，通过Macbeth色卡标定变换至CIE 1931 XYZ三刺激值空间；利用主成分分析(Principal Component Analysis, PCA)提取反射光谱前6个主成分(解释99.64%方差)实现光谱重构；参照奥林巴斯窄带成像(Narrow-Band Imaging, NBI)特性选取415 nm、540 nm、600 nm、700 nm、780 nm波段进行BS，并以模拟退火优化使CIEDE2000色差最小。增强后的SAVE图像与原始RGB图像分别输入YOLOv8、YOLOv10、YOLOv11、SSDLite及SSD(Single Shot MultiBox Detector)五种目标检测模型，统一训练500轮(Epoch)、批次大小32、置信度阈值0.60，以精确率(Precision)、召回率(Recall)、F1分数(F1-score)及准确率(Accuracy)评估并对比。
研究结果
2.1. Dataset（数据集）
研究人员从ISIC2019的25,331张图像中初筛AK(867张)、BCC(3323张)、SK(1316张)，经排除反光、毛发遮挡、边界不清及低对比度图像后保留865张。数据集按70%(训练，含翻转扩增)、20%(验证)、10%(测试)划分，所有图像统一缩放至640×640像素后分别进行SAVE处理生成增强数据集。
2.2. SAVE (Spectrum-Aided Visual Enhancer)（光谱辅助视觉增强器）
通过Macbeth 24色标准色卡采集反射光谱，建立RGB→XYZ变换矩阵并做多元回归校正(RMSE=0.19)。利用PCA重构连续光谱曲线，模拟NBI特性选定血红蛋白强吸收峰415 nm、540 nm及深层穿透波段600 nm、700 nm、780 nm进行BS。经光源谱校准(Cauchy–Lorentz分布拟合)与模拟退火优化，SAVE重构图像与参考NBI图像平均CIEDE2000色差为5.36(可接受范围)，表明RGB至诊断光谱波段的映射有效，能突出表皮与真皮微血管及色素差异而不追求全高光谱立方的物理保真。
2.3. Intuitive Overview of the SAVE Framework（SAVE框架直观概述）
SAVE作为临床兼容的预处理管线，从常规RGB皮肤镜估计具有诊断意义的光谱信息，识别信息量大的波长区域并生成增强图像，维持病灶临床特征的同时最大化健康与异常皮肤的视觉对比度和光谱区分度，可直接作为深度学习模型的输入。
2.4. Implementation Details and Reproducibility（实现细节与可复现性）
研究人员使用Python 3.10、OpenCV 4.12、NumPy 2.3及Scikit-learn 1.7.1实现SAVE管线。模型基于PyTorch 2.6在Kaggle NVIDIA Tesla P100 GPU环境训练，超参数取YOLO及SSD默认设置。
2.5. Computational Complexity Analysis（计算复杂度分析）
SAVE各步骤基本为逐像素操作，引入PCA降维后整体预处理可达约10.6帧/秒(Frames Per Second, FPS)，属轻量级预处理开销，不改变后续目标检测模型本身的计算复杂度，适合大规模皮肤科影像批量处理。
2.6. ML Algorithms（机器学习算法）
研究人员选用并对比五种典型目标检测架构：YOLOv8(含C2F模块与CIoU损失)、YOLOv10(含并行分裂注意力Parallel Split Attention, PSA与紧凑倒残差Compact Inverted Bottleneck, CIB块，致性匹配度量)、YOLOv11(改进骨干与颈部结构，更少参数量更高mAP)及基于MobileNetV3的SSDLite(h-swish激活函数)、基于VGG16的SSD(多尺度默认框与Smooth L1定位损失)。
3. Results（结果）
所有模型在SAVE数据集上的检测指标均优于RGB数据集。YOLOv8在SAVE下BCC精确率达100%且SK召回率提升约10%；YOLOv10在SAVE下AK精确率达100%；SSDLite在SAVE下准确率达约90%，BCC召回近100%；YOLOv11在SAVE下BCC精确率升逾3%(召回微降<3%)。SSD结合SAVE表现最优：AK与BCC精确率均为100%，SK召回率为100%，总体准确率96%、精确率97%、召回率96%、F1分数96%，较RGB基线(各95%)有明显提升。可视化显示SAVE增强后病灶-正常皮肤边界对比显著改善，部分RGB漏检病灶在SAVE中被成功检出，检测置信度最高提升15%。
讨论与结论总结
研究人员指出，SAVE通过模拟HSI的BS策略放大了常规RGB中隐匿的组织光谱差异，尤其利于低对比度AK、早期BCC及类良性SK的检出。本研究局限包括只涵盖三类病种、样本量偏小且无独立外部验证集及与皮肤科医师的直接对照，复杂纹理、重度毛发遮挡或极端光照下仍可能出现误检；此外较简单SSD在此小规模数据上较新YOLO系列略优，可能与过拟合风险有关。未来需纳入黑色素瘤(Melanoma)、良性痣等更多类别，开展多中心外部验证及前瞻性临床评估，探索自适应光谱优化与可解释性AI(Explainable AI, XAI)工具。
结论翻译：皮肤癌尤其中老年人群NMSC日益高发，早期检测意义重大。本研究证实SAVE方法在识别AK、BCC及SK皮肤癌病灶方面优于传统RGB方法。所有深度学习模型在SAVE数据集训练后性能均有显著提升，其中SSD模型表现最佳(准确率96%、召回率96%、精确率97%、F1分数96%)，而RGB基线对应值为95%。上述结果表明SAVE框架在皮肤癌病灶识别中优于传统RGB成像。
