皮肤癌的早期发现对预后至关重要，但俄罗斯许多地区皮肤科医生短缺，限制了筛查覆盖率。移动皮肤镜临床决策支持系统（CDSS）被视为一种有前景的解决方案，但模型可解释性和标准化的患者分流仍是 adoption 的主要障碍。为此，研究人员开发了Melanoscope AI CDSS，并开展了一项初步的单中心前瞻性临床验证。
该系统采用两阶段级联分类对皮肤镜图像进行分析，并集成了注意力图可视化技术：对ViT和Swin模型使用注意力展开（attention rollout），对ConvNeXt和EfficientNetV2使用Grad-CAM。为了定量评估模型的可解释性，研究团队提出了一种基于IoU（交并比）的方法，衡量激活图与专家标注区域之间的一致性。此外，他们还设计了一种三区患者路由算法，根据模型输出的恶性概率将患者分为不同管理路径，路由阈值设为P=0.50。
临床验证在俄罗斯奥廖尔举行，跨越2025年6月至2026年4月的四个“黑色素瘤日”活动，共纳入176名患者。结果显示，CDSS与专家评估的一致率为88.6%，在5例恶性病变中未出现假阴性（95%置信区间：47.8-100.0%），特异性为88.3%。所有恶性病变均经组织学确认，包括3例黑色素瘤和2例基底细胞癌；另有6例发育不良痣被纳入随访。
在可解释性评估中，对180张图像计算了平均IoU：ViT为0.69，Swin为0.64，ConvNeXt为0.53，EfficientNetV2为0.51。这表明基于Transformer的模型在生成与专家关注区域更一致的注意力图方面表现更优。
研究结论指出，未观察到假阴性，特异性达88.3%，支持该系统用于筛查场景。集成的级联分类、注意力图可视化与IoU评估、以及三区路由算法共同提供了一种可重复、可解释的临床决策支持工具，能够适应不同资源水平的医疗环境。不过，作者也指出这是一项单中心前瞻性研究，样本量有限，未来需要在多中心、更大样本中进一步验证。
该论文发表于arXiv（arXiv:2605.27561），属于计算机视觉与模式识别（cs.CV）和人工智能（cs.AI）领域，共24页、6幅图、5张表、21篇参考文献。