PEFT-MedSAM：用于可解释皮肤病变分割的高效 微调 医学基础模型

使用皮肤镜图像的深度学习模型自动分割皮肤病变对于比正常检测更早发现黑色素瘤非常有帮助。然而，大多数可用的深度学习方法都表现不佳。本文的目的是提出一种称为 PEFT-MedSAM 的参数高效 微调 方法，用于适应医学分段任何模型 (MedSAM)，以自动分割皮肤镜皮肤病变。 PEFT-MedSAM 方法仅使用轻量级掩模解码器来训练模型，同时保持预训练图像编码器和提示编码器冻结。在 ISIC 2018 基准数据集上进行的实验表明，与完全训练的 U-Net 基线（0.8715 dice 系数）和零样本 MedSAM 推理（0.8997 dice 系数）相比，PEFT-MedSAM 获得了 0.9411 的 dice 系数和 0.8918 的并集交集值。使用 PH2 数据集对模型进行的外部验证显示骰子系数为 0.9467，标准差为 +/- 0.0310。这些主张的支持证据包括比较两个数据集的 Wilcoxon 符号秩检验的 p 值小于 0.0001，以及 Bootstrap 估计的 95% 置信区间 [.9364,.9447]，表示通过重复测试获得的平均骰子系数的可能值的估计范围。为了提高临床可信度，我们使用 Grad-CAM 可解释性以及基于指点游戏的评估方法来评估验证集上的 CNN 基线模型。结果显示，我们在 519 张图像的验证集上的准确率为 98.27%，并证实该模型对包含皮肤病变的区域进行了分类。