WPI 黑色素瘤 AI 获第三名，但基准测试不等于诊断
WPI 的黑色素瘤 AI 模型 TwinSight 在一项有 181 支学术界和企业团队参与的国际竞赛中获得第三名。这一结果为伍斯特理工学院带来了一项可信的基准测试成绩，但 TwinSight 距离常规患者护理仍有更艰巨的工作要做。
该系统将卷积神经网络（CNN）与视觉 Transformer 相结合。CNN 用于识别局部视觉模式，而视觉 Transformer 则追踪图像不同区域之间的关系。WPI 表示，这一组合可帮助 TwinSight 同时检查病灶的细微特征和更广泛的视觉结构。
这一技术选择之所以重要，是因为早期黑色素瘤可能看起来像良性痣。然而，主要竞争已不再只是算法之间的较量。TwinSight 最终必须应对临床医学的要求：其性能需要经受新患者、不同肤色、陌生相机以及时间紧张的基层医疗环境的考验。
WPI 黑色素瘤 AI 取得强劲基准测试结果
TwinSight 的第三名证明了技术潜力，而非临床就绪状态。
WPI 于 2026 年 10 月 15 日公布了这一结果。根据该大学对第三名成绩的介绍，国际皮肤影像协作组织举办这项竞赛，旨在改进早期黑色素瘤诊断。
该活动向参赛团队提供了 5,294 张匿名图像用于模型开发。随后，各团队分析了另一组包含 479 张图像的数据集。WPI 报告称，TwinSight 的 Dice 系数得分为 0.662。
Dice 系数衡量模型输出与参考标注之间的重叠程度。数值越高，表明二者的一致性越高。该指标有助于在相同基准测试条件下比较系统，但无法揭示所有具有临床重要性的行为。
该团队还使用从佛罗里达州一家医院获得的 187 张图像评估其模型。这一外部数据集很重要，因为算法可能在与训练材料相似的数据上表现良好，却在来自另一家机构的图像上性能下降。
TwinSight 由 WPI 电气与计算机工程系教授 Xinming Huang 的实验室开发。巴拿马科技大学的富布赖特学者兼教师研究助理、博士生 Antony Garcia Gonzalez 也是该项目的核心成员。
该大学表示，其研究人员正与佛罗里达州的皮肤科医生合作。他们的长期构想是一种连接笔记本电脑或平板电脑的手持式成像设备。基层医生可采集病灶的详细图像，并立即获得 AI 评估结果。
这一拟议用途界定了该项目的真正意义。TwinSight 并未被定位为皮肤科医生的自主替代方案。其预期角色是分诊，帮助非专科医生判断可疑病灶是否需要转诊。
分诊工具面对的标准与研究型分类器不同。它必须在不漏掉危险癌症、也不因不必要转诊淹没专科医生的前提下，提供有用指引。它还必须适配诊疗过程，而不会增加令人困惑的额外步骤。
公开的挑战赛仪表盘显示，ISIC 基准测试的规模已相当庞大。其当前的 MILK10k 统计数据包含的团队和提交次数均多于 WPI 在介绍排名时引用的数字。由于该任务仍接受提交，这些实时总数还会继续变化。
这一差异有助于解释不同的参赛数字。WPI 报告的是其在竞赛相关阶段、面对 181 支团队时的排名。实时平台现反映的是之后的活动，而非最初参赛阵容的固定快照。
登上领奖台仍然意义重大。每位参与者面对的是共同任务、共享的评估规则和受控数据。这些条件使得该结果比实验室私有测试中报告的性能数字更具可比性。
但这一结果回答的是一个狭窄的问题：TwinSight 在该挑战赛协议下表现如何？它并未回答该系统能否改善转诊决策、是否对不同患者群体同样有效，或能否减少诊断延误。
这些问题将故事带出排行榜之外。它们也解释了为何第三名可以同时令人印象深刻，又仍属初步成果。
TwinSight 如何结合两种观察病灶的方式
TwinSight 的核心理念是，局部纹理和整体结构能为可疑皮肤病灶提供互补信息。
CNN 长期以来一直用于医学图像分类。其滤波器扫描小区域，并学习边缘、颜色过渡、纹理和形状等反复出现的特征。更深的网络层将这些特征组合为更抽象的模式。
这种对局部的敏感性在皮肤镜检查中十分有用。皮肤镜检查是一种可减少表面反射、揭示表皮下结构的成像技术。CNN 可以检测不规则边界、色素分布不均以及可能有助于黑色素瘤预测的细微纹理变化。
然而，卷积更强调邻近关系。池化和图像缩放也可能移除信息。模型或许能识别单个可疑特征，却无法表征这些特征如何在整个病灶范围内相互关联。
视觉 Transformer 采用不同方式处理图像。它将图像划分为图块，并利用自注意力这一方法计算这些图块之间的关系。这使模型能够综合权衡远距离区域，而不是只处理相邻像素。
对于黑色素瘤分析而言，这种更广阔的视角可能很重要。病灶的不对称性可能涉及图像相对两侧的特征。色素变化的意义也可能来自其空间排列，而不只是各自的颜色。
TwinSight 将这两种视角结合起来，而不是强迫一种架构处理所有视觉线索。CNN 提供强大的局部特征检测能力，Transformer 则贡献更宽广空间关系的表征。
随后，模型融合将两者的预测结果结合起来。原则上，当一个组件忽略有用模式时，另一个组件可以加以补偿。这种方法也降低了对单一架构假设的依赖。
WPI 团队的竞赛系统建立在 2025 年发表的相关研究基础上。在这项经过同行评审的评估研究中，Garcia Gonzalez、Huang 及其合作者考察了视觉 Transformer 在皮肤镜图像中分类黑色素瘤的表现。
该研究使用包含超过 25,000 张图像的 ISIC 2019 数据集训练大型视觉 Transformer。研究人员随后在 MN187 上评估系统，该数据集是来自美国医院、经活检确认的 187 张图像构成的外部数据集。
其基线视觉 Transformer 的受试者工作特征曲线下面积（ROC-AUC）达到 0.902。ROC-AUC 衡量模型在不同分类阈值下将正例排在负例之前的能力。
随后，团队通过 StyleGAN2-ADA 生成的 46,000 张经置信度筛选的合成图像扩展训练。这项技术能在适应有限训练集的同时创建人工样本。筛选过程移除了研究人员认为可靠性较低的输出。
经过这一数据增强后，报告的 ROC-AUC 上升至 0.915。一个更有针对性的微调阶段更新了 Transformer 的最后六层，在 MN187 上获得了报告值为 0.926 的 ROC-AUC。
研究人员将其模型与多种 CNN 架构及商业系统 MoleAnalyzer Pro 进行了比较。相对于该商业系统的初始数值优势并不具有统计显著性。经过数据增强后，报告比较中的差异达到统计显著性。
这一过程很有启示性。仅凭更高分数不足以确立可靠差异。研究人员需要通过统计检验，评估观察到的差距是否可能超过正常抽样变异。
这也说明为何应谨慎解读 TwinSight 的竞赛得分。指标服务于不同目的。Dice 系数、ROC-AUC、灵敏度、特异度和预测值描述性能的不同方面，彼此不能相互替代。
结合 CNN 和 Transformer 模型仍是一项合理的技术策略。不过，组合架构会增加计算和工程复杂性。未来的手持式系统必须足够快速地处理图像，以适应常规门诊，并在所支持的硬件上保持一致表现。
在研究工作站上表现出色的模型，并不会自动成为实用的床旁工具。因此，TwinSight 的双重架构既构成其技术吸引力，也带来其下一项工程挑战。
真正的对手是基准测试与床旁护理之间的差距
决定性的比较不是 TwinSight 与另一项竞赛参赛作品之间的较量，而是基准测试性能与可靠临床决策之间的比较。
基准测试创造了一个受控环境。每支团队处理既定数据集，组织者通过共同指标计算排名。这种结构使科学比较成为可能。
临床实践的受控程度要低得多。医生会面对不同的相机、光照条件、病灶位置、图像分辨率和患者病史。他们还会见到二元黑色素瘤模型从未接受训练来分类的疾病状况。
一个可疑病灶可能是黑色素瘤、另一种皮肤癌、炎症性疾病或良性赘生物。WPI 研究人员的 2025 年研究聚焦于黑色素瘤与痣的分类。该论文将更广泛的多类别评估列为未来工作。
这一限制并不会使研究失效。它为报告模型所能支持的内容划定了边界。二元分类器回答的问题，比基层医生在非脚本化检查中面对的问题更为狭窄。
预期的工作流程又增加了一层复杂性。基层医生会在转诊患者前，将 WPI 黑色素瘤 AI 用作决策支持。因此，模型输出必须以临床恰当的方向改变决策。
在这种场景下，灵敏度至关重要。漏检黑色素瘤的分诊工具可能延误专科评估。特异度同样重要，因为过多的假阳性会增加转诊、活检、焦虑，并给有限的皮肤科诊疗能力带来压力。
这两项指标之间的张力已在商业市场中显现。FDA 于 2024 年 1 月向 DermaSensor 授予 De Novo 授权。其官方授权记录将其描述为供医生评估疑似皮肤癌病灶时使用的辅助设备。
DermaSensor 提供了一个有益的比较对象，因为其面向非皮肤科医生。不过，它的传感方法与 TwinSight 拟议的基于图像的设计不同。DermaSensor 通过弹性散射光谱分析背向散射光，而不是依赖皮肤镜照片。
该授权背后的临床证据表明，医疗部署所需的不仅仅是一项基准测试。对临床证据的同行评议分析显示，DermaSensor 的关键性研究涵盖了来自 22 家基层医疗中心的 1,005 名患者的 1,579 处病灶。
研究报告的敏感性为 95.5%，特异性为 20.7%。高敏感性有助于检出病变，而较低的特异性则意味着良性病变可能带来额外转诊和处置。
另一项涉及 108 名基层医疗医生的实用性研究发现，使用该设备后，诊疗管理敏感性从 82.0% 提升至 91.4%。不过，转诊特异性从 44.2% 降至 32.4%。
这些数字并不能与 TwinSight 形成直接对比。相关技术、数据集、研究设计、输出结果和预期适应症均不相同。它们所展示的，是 TwinSight 最终需要记录的各类权衡。
WPI 获得第三名说明，该模型与基准参考结果的吻合度相对较高。临床研究则需要回答：医生在有该系统辅助时，是否能比没有辅助时作出更好的决策。
理想情况下，这项试验应在多个中心比较结果。它还应采用病理结果或恰当的临床参考标准，记录医生如何解读输出，并报告漏诊癌症和不必要转诊两方面的数据。
除准确性外，工作流程适配度同样重要。需要精确摆位、反复采集图像或长时间处理的设备，实际使用可能有限。令人困惑的风险评分也可能造成分歧，而非提供有效支持。
最有力的部署依据应能证明，临床医生了解何时应信任该工具、何时应质疑它，以及何时无论其输出为何都应转诊。这是一个人机协作问题，而不只是图像分类问题。
ISIC 推动该领域迈向更严格的比较。其公共图像档案包含超过 50 万张经过质量控制的皮肤镜图像，并持续支持相关挑战赛。
共享数据集加速了算法开发，但无法复现所有临床条件。因此，基准测试领先只是一个起点资质。真正的检验场仍在临床一线。
竞赛得分未能揭示的内容
最大的不确定性在于，TwinSight 能否在不同人群、设备和真实临床工作流程中保持其性能。
数据集构成是一项关切。皮肤外观会因色素沉着、年龄、日晒、病灶位置和成像条件而异。如果训练数据对某些群体代表不足，整体性能可能掩盖重要差异。
这一问题在皮肤科尤为严重。不同肤色的视觉征象可能有所不同，而许多既有图像集合对浅色皮肤的代表比例过高。
WPI 的公告没有公布 TwinSight 的亚组结果。公告也没有说明竞赛图像在肤色、年龄、解剖部位或采集设备方面的分布情况。
这种缺失不应被解读为亚组表现不佳的证据。它意味着读者无法根据已公布结果评估公平性。在广泛临床主张具备依据之前，未来评估需要提供亚组报告。
外部验证有助于揭示领域偏移，即新数据与训练材料存在差异时产生的问题。因此，团队使用 187 张佛罗里达州医院图像是具有建设性的一步。
不过，单一外部数据集仍存在局限。相关的 2025 年论文承认，MN187 在规模和多样性上受到限制。作者还指出，需要更大的数据集、更多病灶类别和临床元数据。
合成数据增强带来了另一项不确定性。生成图像可以改善类别平衡，并让模型接触更多变化；但也可能重复原始数据中学到的偏见或伪影。
置信度筛选能减少低质量样本，但不能保证临床真实性。分类器可能对某种在数学上看似合理、却缺乏医学有效性的合成特征给出高置信度。
研究团队报告称，加入合成图像后性能有所提升。但他们并未宣称合成数据消除了对多样化、经活检确认的临床数据集的需求。
可解释性同样需要谨慎对待。视觉 Transformer 可以生成注意力图，显示模型关注的位置。在 WPI 的研究中，较深层往往聚焦于不规则色素沉着或病灶中较暗的区域。
注意力图本身并不等同于临床解释。它可视化了内部权重，但无法证明系统依赖了医学上恰当的推理。模型可能聚焦于与疾病相关、却并非病因的特征。
相机和设备差异会带来更多风险。训练图像可能来自条件相对一致的专业级皮肤镜。未来的手持设备必须应对失焦、眩光、毛发、阴影、压缩以及图像校准差异。
小病灶带来另一项挑战，因为缩放可能抹去相关细节。高分辨率处理能够保留这些信息，但会要求更多内存和计算资源。TwinSight 的双模型设计可能进一步加重这些资源需求。
监管证据需要反映最终产品，而不仅仅是实验模型。相机、照明、图像处理流程、用户界面、分类阈值和软件版本都可能影响性能。
部署后的变更同样需要控制。更新模型可能提高平均准确率，却改变其对特定群体的表现。因此，医疗器械开发需要版本管理、监测机制和明确的修改验证流程。
责任归属和临床责任仍在医疗照护流程中。WPI 恰当地将 TwinSight 定位为面向临床医生的辅助工具，而不是皮肤科医生的替代者。这一定位降低了不切实际的期待，但并不能免除提供谨慎使用说明的必要性。
系统应清晰传达不确定性。单一标签可能引发过度自信，尤其是在医生缺乏专科训练时。经过校准的风险估计和明确的局限性，可能比分类式答案更有助于决策。
即使是性能良好的分诊系统，也可能带来意料之外的系统效应。更容易的检出可能将更多患者送往本已资源紧张的皮肤科服务。相反，虚假的安心感可能会在临床判断提示风险时延误转诊。
相关结果不只是算法正确的频率，而是完整工作流程能否在不造成不成比例的不必要医疗服务的前提下，更早发现严重疾病。
在这些结果得到测量之前，TwinSight 应被描述为处于研究阶段的决策支持系统。其登上领奖台的成绩增强了进一步测试的理由，但并未弥合证据缺口。
WPI 黑色素瘤 AI 现面临三项检验
下一阶段应依据临床验证、代表性性能，以及对医生决策可测量的影响来评判。
第一个值得关注的信号是前瞻性多中心研究。前瞻性测试评估的是研究方案启动后遇到的病例，而不是从既有档案中回顾性挑选图像。
一项有意义的试验应从多个临床环境招募患者。它应包括社区诊所、专科门诊，以及服务于在皮肤科数据集中代表不足人群的地点。
研究应报告敏感性、特异性、预测值和置信区间。还应说明预期的运行阈值，因为改变该阈值会影响漏诊癌症与误报之间的平衡。
对于接受活检的病灶，经病理确认的结果将提供最有力的参考。研究人员仍需为未立即活检的病灶制定谨慎的随访流程，因为临床管理并不会将每个病例都送往病理检查。
核心对比应衡量使用 TwinSight 的医生与未使用 TwinSight 的医生之间的表现。该设计将检验工具是否改善真实决策，而不仅仅是显示其分类结果与标签存在相关性。
第二个信号是亚组和跨设备性能。WPI 需要展示 TwinSight 在不同肤色、年龄段、病灶位置和成像硬件中的表现。
平均准确率可能保持稳定，但某一亚组的敏感性可能显著较低。公布拆分后的结果将揭示模型的益处是否得到公平分配。
对于拟议的手持设备形态，跨设备评估同样重要。研究人员必须确定，改变光学组件、传感器、照明或图像处理软件是否会改变预测结果。
如果 TwinSight 能在独立机构和具有代表性的人群中保持性能，临床开发的理由将更加充分。如果结果出现明显波动，团队将需要更广泛的数据、重新校准或更窄的预期用途。
第三个信号是明确的监管与工作流程计划。WPI 公告描述了一种连接计算机的手持设备，但没有提供部署时间表或监管状态。
未来产品需要明确的使用适应症。这一声明应识别目标患者、使用者、病灶类型、使用环境，以及输出所要支持的决策。
在人群筛查与评估已存在可疑病灶之间作出区分尤为重要。广泛人群筛查与医生诊室内的定向评估相比，涉及不同的风险、患病率假设和证据要求。
可用性测试应与技术验证同步进行。研究人员需要观察，临床医生能否采集可接受的图像、正确解读结果，并在日常接诊中持续遵循指导。
团队还应测量转诊行为。如果敏感性提高但转诊量大幅上升，医疗系统必须判断额外的专科需求是否能产生足够的临床价值。
反过来，较少转诊也不必然意味着成功。系统可能通过提供虚假的安心感来减少转诊。因此，结果必须将工作流程变化与诊断准确性和随访联系起来。
TwinSight 进入的是一个既有令人鼓舞的研究、也有需谨慎对待先例的领域。ISIC 挑战赛表明，算法能够在经过整理的图像任务中表现出色。商业设备则表明，监管授权需要有关预期用户和实际权衡的证据。
WPI 黑色素瘤 AI 目前正处于这两个阶段之间。其竞赛成绩验证了足够的技术潜力，值得继续推进。下一阶段的证据必须表明，该模型能够在排行榜无法复现的条件下帮助临床医生。
这一过程将比训练另一个模型耗时更长。它需要工程师、皮肤科医生、基层医疗医生、监管机构和患者之间的协作。
最有参考价值的更新不会是略高一点的竞赛得分，而是证明 TwinSight 在多样化人群中维持安全性的同时，能够改变真实转诊决策的证据。
读者应将第三名视为研发历程中的一个里程碑，而非对临床有效性的定论。值得关注的是：是否会有已注册的前瞻性研究、分组结果，以及清晰明确的医疗器械审批路径。如果 WPI 公布这三项内容，TwinSight 将从基准测试中的潜力迈向可问责的临床证据。若这些信号仍未出现，该项目依然会是一个有趣的黑色素瘤分类器，但尚不足以成为可靠的即时诊疗系统。问题如今已很明确：WPI 能否在不增加可避免转诊、也不让代表性不足的患者群体被忽视的前提下，将互补的计算机视觉模型转化为帮助基层医疗医生作出更好决策的工具？
