WPI 黑色素瘤 AI 奪得第三名，但基準測試並非診斷
WPI 的黑色素瘤 AI 模型 TwinSight 在一項有 181 支學術及企業團隊參與的國際競賽中取得第三名。這個結果為 Worcester Polytechnic Institute 帶來可信的基準測試佳績，但 TwinSight 距離融入日常病人照護，仍有更艱鉅的工作要完成。
該系統結合卷積神經網絡（CNN）及視覺轉換器。CNN 可辨識局部視覺模式，而視覺轉換器則追蹤影像不同區域之間的關係。WPI 表示，這種配搭有助 TwinSight 同時檢視細微的病灶細節及更廣泛的視覺結構。
這項技術選擇之所以重要，是因為早期黑色素瘤可與良性痣相似。然而，主要競爭已不再只是演算法之間的較量。TwinSight 最終必須應對臨床醫學的要求：在面對新病人、不同膚色、陌生相機，以及時間緊迫的基層醫療環境時，表現仍須穩健。
WPI 黑色素瘤 AI 取得強勁基準測試成績
TwinSight 的第三名證明其技術潛力，並不代表已具備臨床應用準備。
WPI 於 2026 年 10 月 15 日公布結果。根據該大學對這項第三名成績的說法，International Skin Imaging Collaboration 舉辦這項競賽，旨在改善早期黑色素瘤診斷。
活動向參賽團隊提供 5,294 張匿名影像作模型開發，其後團隊再分析另一組共 479 張影像。WPI 指出，TwinSight 的 Dice 係數得分為 0.662。
Dice 係數用於量度模型輸出與參考標註之間的重疊程度，數值越高代表一致性越高。該指標有助在相同基準測試條件下比較系統，但未能揭示所有臨床上重要的行為表現。
團隊亦以 187 張來自佛羅里達州醫院的影像評估模型。這個外部數據集十分重要，因為演算法在與訓練材料相似的數據上可能表現良好，但在另一所機構的影像上表現可能下降。
TwinSight 由 WPI 電機及電腦工程學系教授 Xinming Huang 的實驗室開發。巴拿馬科技大學 Fulbright 學者兼教師研究助理、博士生 Antony Garcia Gonzalez，亦是項目的核心成員。
大學表示，其研究人員正與佛羅里達州的皮膚科醫生合作。其長遠構想是開發一部連接手提電腦或平板電腦的手持式影像裝置。基層醫生可拍攝病灶的詳細影像，並即時獲得 AI 評估。
這項擬議用途界定了項目的真正意義。TwinSight 並非被定位為可自主取代皮膚科醫生的工具，其預期角色是分流，協助非專科醫生判斷可疑病灶是否需要轉介。
分流工具所面對的標準與研究分類器不同。它必須在不漏診危險癌症、亦不以不必要轉介淹沒專科服務的情況下，提供有用指引；同時亦必須能融入診症流程，不會造成令人困惑的額外步驟。
公開的挑戰賽儀表板顯示，ISIC 基準測試的規模已相當龐大。其目前的 MILK10k 統計資料顯示，團隊及提交數量均多於 WPI 描述其排名時所引用的數字。由於任務仍開放提交，這些即時總數可持續變動。
這項差異有助解釋不同的參與數字。WPI 報告的是競賽相關時點下、在 181 支團隊中的排名；即時平台目前則反映其後的活動，而非原有參賽陣容的固定快照。
站上頒獎台仍具有意義。每位參加者均處理共同任務、遵循共用評估規則，並使用受控數據。相比由實驗室私有測試所報告的效能數字，這些條件令結果更具可比性。
然而，該結果回答的是一個狹窄問題：TwinSight 在該挑戰賽協議下表現如何？它未能回答該系統是否改善轉介決策、是否能在不同病人群組中同樣有效，或能否縮短診斷延誤。
這些問題令故事超越排行榜，也說明為何第三名可以同時令人印象深刻，卻仍屬初步成果。
TwinSight 如何結合兩種觀察病灶的方法
TwinSight 的核心概念是，局部紋理與整體結構可為可疑皮膚病灶提供互補資訊。
CNN 長期用於醫學影像分類。其濾波器掃描細小區域，並學習重複出現的特徵，例如邊緣、色彩過渡、紋理及形狀。較深層的網絡會將這些特徵組合成更抽象的模式。
這種對局部的敏感度在皮膚鏡檢查中十分有用。皮膚鏡檢查是一種可減少表面反光、並顯示表皮外層下方結構的影像技術。CNN 能偵測不規則邊界、色素分布不均，以及可能有助預測黑色素瘤的細微紋理變化。
不過，卷積著重鄰近關係，池化及影像縮放亦可能移除資訊。模型可能辨識出個別可疑特徵，卻未能呈現它們在整個病灶範圍內的相互關係。
視覺轉換器則以不同方式處理影像。它們將影像切分為圖塊，並使用自注意力機制計算圖塊之間的關係。這讓模型可一併衡量相距較遠的區域，而非只處理相鄰像素。
對黑色素瘤分析而言，這種更廣闊的視角可能很重要。病灶的不對稱性，可能涉及影像相對兩側的特徵；色素變化的意義，亦可能取決於其空間排列，而非僅是個別顏色。
TwinSight 將這兩種視角結合，而非強迫單一架構處理每一項視覺線索。CNN 提供強大的局部特徵偵測能力，轉換器則有助呈現更廣泛的空間關係。
模型融合其後將兩者的預測結合。原則上，當其中一個組件忽略有用模式時，另一個可作補償；這種方法亦減少對單一架構假設的依賴。
WPI 團隊的競賽系統建基於 2025 年發表的相關研究。在該項經同行評審的評估研究中，Garcia Gonzalez、Huang 及其合作者檢視視覺轉換器在皮膚鏡影像中分類黑色素瘤的能力。
研究以包含超過 25,000 張影像的 ISIC 2019 數據集訓練大型視覺轉換器。研究人員其後以 MN187 評估系統，該外部數據集包含 187 張來自美國醫院、經活組織檢查確認的影像。
其基線視覺轉換器的受試者工作特徵曲線下面積（ROC-AUC）達 0.902。ROC-AUC 用於量度模型在不同分類閾值下，將正例排在負例之前的能力。
團隊其後加入 46,000 張由 StyleGAN2-ADA 生成、並經信心篩選的合成影像，以擴展訓練。這種技術可在適應有限訓練集合的同時，建立人工樣本。篩選程序移除了研究人員認為可信度較低的輸出。
加入這些擴增資料後，報告中的 ROC-AUC 上升至 0.915。進一步的針對性微調階段更新了轉換器最後六層，在 MN187 上錄得 0.926 的 ROC-AUC。
研究人員將其模型與多種 CNN 架構及商業系統 MoleAnalyzer Pro 比較。相對該商業系統的初步數值優勢並無統計顯著性；在資料擴增後，所報告比較中的差異達到統計顯著水平。
這個過程頗具啟示。一個較高分數本身不足以證明存在可靠差異；研究人員須進行統計檢驗，以評估觀察到的差距是否很可能不只是正常抽樣變異。
這亦說明為何應審慎解讀 TwinSight 的競賽分數。不同指標各有用途。Dice 係數、ROC-AUC、敏感度、特異度及預測值，描述的是效能的不同面向，不能互相取代。
結合 CNN 與轉換器模型，仍是合理的技術策略。然而，結合不同架構會增加運算及工程複雜性。未來的手持式系統必須能在一般診症所需的時間內快速處理影像，並在其支援的硬件上保持一致表現。
在研究工作站上表現出色的模型，並不會自動成為實用的照護點工具。因此，TwinSight 的雙重架構既是其技術吸引力所在，也是下一項工程挑戰。
真正的對手是基準測試與臨床照護之間的落差
決定性的比較並非 TwinSight 與另一個競賽項目之間，而是基準測試表現與可靠臨床決策之間。
基準測試建立受控環境。每支團隊均處理指定數據集，主辦方則以共用指標計算排名。這種結構使科學比較成為可能。
臨床實務的受控程度則低得多。醫生會遇上不同相機、光線條件、病灶位置、影像解像度及病人病史；他們亦會看到二元黑色素瘤模型從未受訓分類的情況。
可疑病灶可能是黑色素瘤、另一種皮膚癌、炎症性疾病，或良性增生。WPI 研究人員的 2025 年研究聚焦於黑色素瘤與痣的分類。論文將更廣泛的多類別評估列為未來工作。
這項限制並不會否定研究，只是界定了所報告模型能支援的範圍。二元分類器回答的問題，比基層醫生在非預設診症中所面對的問題更狹窄。
預期工作流程又增加了一層考量。基層醫生會在轉介病人前，將 WPI 黑色素瘤 AI 用作決策支援。因此，模型輸出必須以臨床上恰當的方向改變決策。
敏感度在這個場景中至關重要。若分流工具漏診黑色素瘤，可能延誤專科評估。特異度亦同樣重要，因為過多假陽性結果可增加轉介、活組織檢查、焦慮，以及對有限皮膚科服務容量的壓力。
這兩項指標之間的張力，已見於商業市場。FDA 於 2024 年 1 月向 DermaSensor 授予 De Novo 授權。其官方授權紀錄將其描述為供醫生評估疑似皮膚癌病灶時使用的輔助裝置。
DermaSensor 是一個有用的比較對象，因為它旨在供非皮膚科醫生使用。不過，它的感測方法與 TwinSight 擬議的影像設計不同。DermaSensor 透過彈性散射光譜分析背向散射光，而非依賴皮膚鏡照片。
該項授權背後的臨床證據說明，醫療部署所需的不只是基準測試表現。一項經同行評審的臨床證據檢視指出，DermaSensor 的關鍵研究涵蓋來自 22 間基層醫療中心、共 1,005 名患者的 1,579 個病灶。
研究報告顯示，其敏感度為 95.5%，特異度為 20.7%。高敏感度有助於偵測病灶，而較低的特異度則意味著良性病灶或會帶來更多轉介及後續處置。
另一項涵蓋 108 名基層醫生的效用研究發現，使用該裝置後，診療管理的敏感度由 82.0% 提升至 91.4%。不過，轉介特異度則由 44.2% 降至 32.4%。
這些數字不能直接與 TwinSight 比較。兩者的技術、數據集、研究設計、輸出結果及預定適應症均不相同。它們反而展示了 TwinSight 最終需要記錄的各類取捨。
WPI 的季軍成績表示，該模型與基準參考結果的吻合度相對理想。臨床研究則需要探討：醫生在使用系統後，是否能作出比未使用系統時更好的決策。
理想情況下，該試驗應比較多個中心的結果，並採用病理檢驗或合適的臨床參考標準，記錄醫生如何解讀輸出結果，同時報告漏診癌症及不必要轉介的情況。
除了準確度，是否適合融入工作流程亦很重要。若裝置需要小心定位、反覆拍攝影像或長時間處理，使用率可能有限。令人困惑的風險評分亦可能造成分歧，而非提供有效支援。
最有力的部署證據，應顯示臨床人員明白何時應信任工具、何時應質疑它，以及何時即使其輸出結果並不支持亦應作出轉介。這是人機協作問題，而不單純是影像分類問題。
ISIC 有助推動該領域邁向更嚴謹的比較。其公開影像檔案庫收錄逾 500,000 張經品質控制的皮膚鏡影像，並支援持續舉辦的挑戰賽。
共享數據集加快了演算法發展，但無法重現所有臨床情況。因此，基準測試領先只是一項起步資格。真正的試驗場仍然是病床旁。
比賽分數未能顯示的事
最大的不確定性在於 TwinSight 能否在不同族群、裝置及真實臨床工作流程中維持其表現。
數據集組成是一項關注。皮膚外觀會因色素沉著、年齡、日曬、病灶位置及成像條件而有所不同。若訓練資料庫對某些群組代表不足，整體表現便可能掩蓋重要差異。
這個問題在皮膚科尤其嚴重。不同膚色的視覺徵象可能呈現不同樣貌，而不少既有影像資料庫對較淺膚色的代表比例過高。
WPI 的公告未有公布 TwinSight 的分組結果，也沒有說明比賽影像按膚色、年齡、解剖部位或採集裝置的分布情況。
這項缺失不應被解讀為分組表現不佳的證據，而是表示讀者無法根據已報告結果評估公平性。在提出廣泛的臨床主張前，未來評估需要提供分組報告。
外部驗證有助揭示領域偏移，即新數據與訓練期間使用的材料有所不同。團隊使用 187 張佛羅里達醫院影像，因此是具建設性的一步。
不過，單一外部數據集仍有局限。相關的 2025 年論文承認 MN187 在規模及多樣性方面受限。作者亦指出需要更大的數據集、更多病灶類別及臨床元數據。
合成資料擴增帶來另一項不確定性。生成影像可改善類別平衡，並讓模型接觸更多變化；但它們亦可能重複原始資料所學到的偏誤或偽影。
置信度篩選可減少低品質樣本，但不能保證臨床真實性。分類器可能對一項在數學上看似合理、但缺乏醫學有效性的合成特徵給予高置信度。
研究團隊報告稱，加入合成影像後表現有所提升，但並未聲稱合成資料可取代多元、經活檢確認的臨床資料庫。
可解釋性同樣需要審慎看待。視覺 Transformer 可產生注意力圖，顯示模型集中關注的位置。在 WPI 研究中，較深層的網絡往往聚焦於不規則色素沉著或較深色的病灶區域。
注意力圖本身並非臨床解釋。它呈現內部權重，但不能證明系統依據合乎醫學原則的推理作出判斷。模型可能聚焦於與疾病相關、但並非致病原因的特徵。
相機及裝置差異亦會帶來進一步風險。訓練影像可能來自在相對一致條件下使用的專業級皮膚鏡。未來的手持工具必須應對失焦、眩光、毛髮、陰影、壓縮，以及影像校準差異。
細小病灶是另一項挑戰，因為調整尺寸可能抹去相關細節。高解像度處理可保留這些資訊，但需要更多記憶體及運算資源。TwinSight 的雙模型設計可能加劇這些資源需求。
監管證據必須反映最終產品，而不只是實驗模型。相機、照明、影像處理流程、使用者介面、分類閾值及軟件版本，均可能影響表現。
部署後的變更同樣需要管控。更新模型或可提升平均準確度，卻可能改變其對特定群組的行為。因此，醫療裝置開發需要版本管理、監測，以及一套已界定的修改驗證流程。
責任及臨床承擔仍屬於照護流程。WPI 恰當地將 TwinSight 定位為支援臨床人員的工具，而非取代皮膚科醫生。這種定位可降低不切實際的期望，但不會免除提供審慎指引的需要。
系統應清楚傳達不確定性。單一標籤可能引發過度自信，尤其當醫生缺乏專科訓練時。經校準的風險估計及明確限制，或較分類式答案更能支持良好決策。
即使分流系統表現良好，亦可能對整個系統帶來非預期影響。較容易偵測病灶可能令更多患者被轉介至本已資源緊張的皮膚科服務。相反，錯誤的安心感亦可能在臨床判斷顯示有疑慮時延誤轉介。
相關結果不僅是演算法答對的頻率，而是完整工作流程能否更早發現嚴重疾病，同時不造成不成比例的不必要照護。
在量度這些結果之前，TwinSight 應被描述為仍處於研究階段的決策支援系統。其登上頒獎台的成績加強了進一步測試的理由，但未能填補證據缺口。
WPI 黑色素瘤 AI 現面對三項測試
下一階段應按臨床驗證、具代表性的表現，以及對醫生決策可量度的影響來評估。
首項值得關注的訊號，是前瞻性、多中心研究。前瞻性測試會評估研究方案開始後遇到的病例，而不是從既有檔案庫中回顧性挑選影像。
一項有意義的試驗應招募來自多個臨床場景的患者，並應涵蓋社區診所、專科診所，以及服務於皮膚科數據集代表不足族群的地點。
研究應報告敏感度、特異度、預測值及置信區間，亦應說明預定操作閾值，因為調整該閾值會改變漏診癌症與誤報之間的平衡。
對已活檢病灶而言，經病理確認的結果可提供最有力的參考標準。研究人員仍需為未有即時活檢的病灶制定審慎的隨訪程序，因為臨床管理不會將每宗個案都送往病理檢驗。
核心比較應量度使用 TwinSight 的醫生與未使用 TwinSight 的醫生之間的差異。這種設計可測試工具是否改善真實決策，而非僅顯示其分類結果與標籤存在相關性。
第二項訊號是分組及跨裝置表現。WPI 需要展示 TwinSight 在不同膚色、年齡範圍、病灶位置及成像硬件上的行為。
平均準確度可維持穩定，但某個分組的敏感度可能顯著較低。公布細分結果可揭示模型的好處是否得到公平分配。
對擬議手持形式而言，跨裝置評估同樣重要。研究人員必須確定更換光學元件、感測器、照明或影像處理軟件時，預測結果會否出現偏移。
若 TwinSight 能在獨立機構及具代表性的群組中維持表現，臨床開發的論據便會更有力。若結果差異明顯，團隊便需要更廣泛的資料、重新校準，或收窄預定用途。
第三項訊號是明確的監管及工作流程計劃。WPI 的公告描述了一款連接電腦的手持裝置，但未有提供部署時間表或監管狀態。
未來產品需要一項精確的使用適應症說明，列明預定患者、使用者、病灶類型、場景，以及輸出結果旨在支援的決策。
在篩查與評估已屬可疑病灶之間作出區分尤其重要。廣泛的人口篩查所帶來的風險、盛行率假設及證據要求，與醫生診所內的針對性評估並不相同。
可用性測試應與技術驗證同步進行。研究人員需要觀察臨床人員能否拍攝可接受的影像、正確解讀結果，以及在日常診症中持續遵循指引。
團隊亦應量度轉介行為。若敏感度提升但轉介數量急升，醫療系統必須判斷額外的專科需求是否帶來足夠臨床價值。
相反，較少轉介並不必然代表成功。系統可能因提供錯誤的安心感而減少轉介。因此，結果必須將工作流程變化與診斷準確度及隨訪連繫起來。
TwinSight 進入了一個既有令人鼓舞的研究、亦有值得警惕先例的領域。ISIC 挑戰賽顯示，演算法可在經整理的影像任務上表現強勁。商業裝置則顯示，監管授權需要關於預定使用者及實際取捨的證據。
WPI 黑色素瘤 AI 現處於這兩個階段之間。其比賽成績驗證了足夠的技術潛力，值得持續推進。下一批證據必須顯示，在排行榜無法重現的條件下，該模型能協助臨床人員。
這個進程會比再訓練一個模型花費更長時間。它需要工程師、皮膚科醫生、基層醫生、監管機構及患者之間的合作。
最具參考價值的更新，不會是略高一點的比賽分數，而是證明 TwinSight 能改變實際轉介決策，同時在多元族群中維持安全性的證據。
讀者應把這次第三名視為研發里程碑，而非對臨床效能的定論。值得留意的是是否有已註冊的前瞻性研究、亞組結果，以及清晰界定的醫療器材審批路徑。若 WPI 公布這三項資料，TwinSight 便會由基準測試上的潛力，邁向可問責的臨床證據。若這些訊號仍然缺席，該項目仍會是一個有趣的黑色素瘤分類器，但尚未成為可靠的照護現場系統。問題如今已很具體：WPI 能否把互補的電腦視覺模型，轉化為幫助基層醫生作出更佳決策的工具，同時避免增加可避免的轉介，亦不讓代表性不足的病人被忽略？
