摘要
基于深度神经网络构建的计算机辅助皮肤癌分类系统通常仅依赖皮肤病变图像进行预测。尽管此类方法已展现出良好的性能，但若结合患者人口统计学信息（demographics），则有望进一步提升分类效果。这些人口统计学特征是皮肤病变筛查中人类专家所重视的重要线索。本文研究了如何利用深度学习模型，将图像数据与元数据特征进行融合，以实现更精准的皮肤癌分类。为此，我们提出了一种新型算法——元数据处理模块（Metadata Processing Block，简称MetaBlock），该模块通过增强图像中最具判别性的特征，从而在分类流程的各个阶段利用元数据信息辅助决策。我们将所提方法与两种现有融合策略进行了对比：MetaNet模型以及基于特征拼接（feature concatenation）的方法。在两个不同的皮肤病变数据集上进行的实验结果表明，所提方法在所有测试模型中均提升了分类性能，并在10种评估场景中的6种优于其他两种融合方法。