企业官网建设流程全解析

在医学图像处理这个方向里，“皮肤癌检测”算是一个看起来简单、做起来全是细节的题目。我第一次接触这个项目，是因为朋友手上的一个医学图像处理Demo需要快速搭一个早期筛查原型：输入一批皮肤镜照片，输出每个病灶是良性还是恶性。当时他手头只有几百张标注好的图片，也没有GPU，深度学习方案直接劝退。权衡之后我选了支持向量机（SVM）加上手工图像特征，在Matlab里跑通了整个流程，实测效果比预想中稳很多。

这套系统的完整链路是：图像预处理 → 病灶区域分割 → 特征提取 → SVM训练与调参 → 模型评估。坦白说，网上搜“皮肤癌检测 支持向量机 Matlab”能出来一大堆同名项目，但大多数只丢一段能跑的代码，不讲为什么这样设计，也不说坑在哪里。这篇博文把关键的技术选型逻辑、Matlab实现细节、以及我实际踩过的坑一次性讲清楚。适合正在做图像处理课程设计、毕业论文，或者想快速验证医学图像分类想法的读者，一台普通电脑加Matlab就能复现。

1. 为什么皮肤癌检测会选SVM：小样本、可解释与快速迭代

1.1 临床筛查场景决定了系统定位

皮肤癌里最危险的是恶性黑色素瘤，它也是少数几种“长得越早、看得越准、活得越久”的癌症之一。皮肤科医生通过皮肤镜观察病灶的形态、颜色、边界，经验丰富的人能凭肉眼给出很高的判断准确率，但问题在于医生数量有限，不可能给所有高危人群都做定期筛查。计算机辅助筛查系统想解决的就是这件事：把皮肤镜图像自动分成“需要进一步检查”和“大概率没事”两类，帮医生把精力集中在真正可疑的病例上。

这里有一个非常重要的定位问题：这个系统不是要取代医生，而是做预筛。所以模型输出的结果无论多自信，到最后都需要临床确认。这决定了我们在设计时不能盲目追求“分类准确率”，而要把“漏掉恶性样本”当成最不能接受的事。后面讲评估指标的时候，我会反复强调这一点。

1.2 和深度学习比，SVM在小数据集上的优势更实在

很多初学者一听到图像分类就想到卷积神经网络，但实际上手才发现问题一堆：标注数据不够、显卡不够、训练时间太长、调参全靠玄学。我这次用的数据集规模只有几百张皮肤镜照片，恶性样本可能只有一两百张。这点数据喂给CNN，除非用很深的预训练模型做迁移学习，否则很容易过拟合。

SVM在这种“样本量少、特征维度中等”的场景下反而特别能打：

• 最大间隔分类器有比较强的泛化能力，不像某些模型在小样本上稍微一训练就记住训练集。
• 通过核函数可以处理非线性边界，RBF核在多数医学图像特征上表现稳定。
• 训练速度快，普通CPU上几百个样本的训练时间是秒级，网格搜索几十组参数也就是几分钟的事。
• 模型本身是一个决策超平面，配合特征重要性分析，比深度模型的黑盒更容易向医生解释。

另外，如果你后续要写论文或者做毕设，SVM作为基线方法几乎是必备对比项。就算最后用深度学习，也得先有一个传统方法的benchmark，这套流程可以原样复用。

1.3 这个系统的边界与适合谁看

需要先说清楚系统边界，免得有人拿着它当临床工具。本系统的输入是单张皮肤镜图像，输出是“良性/恶性”二分类结果。它不做病理切片分析，不做病灶类型的细分类（如黑色素瘤、基底细胞癌、脂溢性角化病等多分类），也不处理视频或者时序数据。对单张静态图像来说，临床上经典的“E”（演化，即病灶随时间变化）特征是拿不到的，这部分信息天然缺失。

这篇内容适合三类读者：一是做图像处理或模式识别课程项目的学生，需要一个完整且能落地的案例；二是毕业论文方向是医学图像分析的同学，需要快速建立一个可复现的基线系统；三是想验证“传统图像特征+SVM”在某个小规模医学数据集上是否可行的工程师。如果你手里有大规模数据并且追求极限精度，那该去折腾深度模型，但建议还是把本文的SVM结果跑出来当参照。

2. 数据准备与病灶分割：毛发、反光和Otsu阈值

2.1 公开皮肤镜数据集的基本情况

这类项目通常用的是学术社区里公开的皮肤镜图像数据集，一般包含几百到几千张病灶照片，每张有对应的类别标注（良性痣/恶性黑色素瘤），部分数据集还提供医生手工勾画的病灶区域掩码。公开数据虽然方便，但有几个共性特点要心里有数。

第一，图像来源不统一，不同设备的色温、分辨率、拍摄角度都有差异；第二，病灶周围经常有毛发、血管、油渍、反光点，甚至还有皮肤镜自带的刻度尺；第三，类别极不平衡，良性样本通常比恶性样本多好几倍，如果直接拿原始数据训练，模型会偷懒。拿到数据后，我习惯先做一次可视化统计，把每张图的尺寸分布、两类样本数量、光照差异看一遍，再决定预处理策略。

顺便提一句，如果是在医院合作项目里自己收集数据，务必走正规的伦理审批和知情同意流程，图像脱敏后再使用。自己收集的数据反而容易遇到病灶标注标准不统一的问题，最好请两位以上皮肤科医生独立标注并交叉核对。

2.2 预处理到底在解决什么

皮肤镜图像里最影响特征提取的干扰源有四类：毛发、反光、光照不均、背景皮肤。毛发在图像里是细长的亮线或暗线，会参与纹理特征计算，让灰度共生矩阵统计出大量虚假的“方向性纹理”；反光点是高亮小圆斑，在颜色特征里会拉高均值；光照不均会让同一张图不同区域的亮度差异很大；而背景皮肤如果没被分割掉，颜色统计会被大面积正常皮肤主导，病灶本身的信息反而被稀释。

预处理和分割的目标，就是把特征计算的注意力锁在病灶区域上。这一步做崩了，后面再好的特征和分类器都白搭。我见过有人跳过预处理直接提特征，毛发和反光被当成纹理之后，分类准确率掉五到十个点都是正常的。

2.3 去毛发、对比度增强与病灶分割的Matlab实现

我用的预处理流程如下，每一步的意图都写在注释里。这个函数输入图片路径，输出分割掩码和清理后的灰度图：

function [lesionMask, cleanImg] = preprocessLesion(imgPath) img = imread(imgPath); % 统一尺寸：256x256在保留细节和计算速度之间比较平衡 img = imresize(img, [256 256]); gray = rgb2gray(img); % 去毛发：顶帽变换提取比周围更亮/更暗的细长结构 se = strel('disk', 5); hair = imtophat(gray, se); clean = gray - hair; % 对比度拉伸，增强病灶与皮肤的边界 clean = imadjust(clean); % Otsu方法自动求阈值并二值化 level = graythresh(clean); mask = imbinarize(clean, level); % 形态学清理：填洞、去小噪点、闭运算平滑边缘 mask = imfill(mask, 'holes'); mask = bwareaopen(mask, 100); mask = imclose(mask, strel('disk', 5)); lesionMask = mask; cleanImg = clean; end

顶帽变换取的是形态学开运算结果和原图的差，专门用来提取那些“细且亮”的结构。毛发在灰度图里通常是局部亮线，所以能被分离出来，减掉之后皮肤纹理就干净很多。直径5的圆盘结构元素是经验值：太大了会把病灶内的亮色结构误伤，太小了又盖不住粗毛发，需要根据图像分辨率微调。

分割这一步，如果病灶和背景对比度强，Otsu自动阈值就够了。如果效果不好，可以改用HSV颜色空间的饱和度通道或者RGB的蓝色通道再来一次阈值分割，很多时候比灰度图更稳。分割之后的掩码经常带有锯齿边缘，我用的是先填充孔洞、再删除小面积连通域、最后闭运算的操作。

提示：病灶区域如果只占整张图的很小一部分，阈值分割很容易把背景皮肤判成前景。这时候可以考虑先把图像裁剪到病灶附近，或者用自适应阈值把图像分成子块分别取阈值。我实测下来，配合后面特征提取时只统计掩码内的像素，大部分情况Otsu是够用的。

3. 特征工程：把ABCDE临床规则翻译成特征向量

3.1 临床规则到计算特征的映射

皮肤科医生诊断黑色素瘤时有一套经典的ABCDE规则，这套规则本质上就是人肉特征工程，非常适合转化成图像特征。这也是我选择手工特征而不是直接端到端学习的原因之一：特征能溯源到临床经验，讲得清道理。

这张表是整个特征工程的地图。每一行代表一类特征，提取特征时的目标就是用数字复现医生肉眼看到的东西。注意E在单张图像里拿不到，但如果数据集里有同一病灶不同时期的图像，是可以做的，这就属于扩展方向了。

3.2 几何特征与颜色特征的提取

几何特征我用Matlab的regionprops直接算，一行代码能拿到一大堆属性。关键要理解每个特征对应的临床含义。

function geoFeat = extractGeometric(mask) stats = regionprops(mask, 'Area', 'Perimeter', ... 'BoundingBox', 'Eccentricity'); area = stats.Area; perimeter = stats.Perimeter; % 圆度指数：圆形为1，越不规则越大 circularity = perimeter^2 / (4 * pi * area); % 等效直径：把面积换算成圆的直径 eqDiameter = 2 * sqrt(area / pi); % 边界框长宽比：衡量整体对称性 bb = stats.BoundingBox; % [x y w h] aspectRatio = bb(3) / bb(4); geoFeat = [circularity, eqDiameter, aspectRatio, stats.Eccentricity]; end

边界不规则和不对称这两项是黑色素瘤的强信号，所以圆度指数和长宽比是我永远保留的特征。颜色特征方面，在掩码内统计RGB和HSV各通道的均值与标准差，能比较好地刻画“颜色混杂”这件事。恶性病灶经常出现粉色、白色、蓝黑色多种色调混在一起，颜色标准差会比普通痣大不少。

function colorFeat = extractColor(img, mask) % 掩码覆盖到每个通道 r = img(:,:,1); g = img(:,:,2); b = img(:,:,3); hsvImg = rgb2hsv(img); h = hsvImg(:,:,1); s = hsvImg(:,:,2); v = hsvImg(:,:,3); chanList = {r, g, b, h, s, v}; colorFeat = []; for i = 1:length(chanList) vals = chanList{i}(mask); colorFeat = [colorFeat, mean(vals), std(vals)]; end end

3.3 GLCM纹理特征：为什么要算灰度共生矩阵

颜色和几何特征能覆盖ABCD里的三项，但“纹理”是另一个重要的区分维度。普通痣的色素网络通常是均匀细密的，而恶性病灶的色素网络往往粗糙、断裂、不对称。灰度共生矩阵（GLCM）统计的是图像中特定灰度对在某个方向和距离上共同出现的频率，能从统计层面把“纹理粗不粗、均不均匀、有没有方向性”量化出来。

我一般计算0度、45度、90度、135度四个方向上的GLCM，每个方向提取对比度、相关性、能量、同质性四个统计量，然后取四个方向上的均值和标准差作为特征。对比度反映纹理的沟纹深浅，能量反映纹理的均匀程度，这些对区分良恶性都很有用。

function texFeat = extractTexture(gray, mask) % 只取病灶边界框区域，减少背景干扰 stats = regionprops(mask, 'BoundingBox'); bb = ceil(stats.BoundingBox); cropGray = imcrop(gray, bb); cropMask = imcrop(mask, bb); % 掩码外像素置为0后再算GLCM cropGray(~cropMask) = 0; offsets = [0 1; -1 1; -1 0; -1 -1]; glcms = graycomatrix(cropGray, 'Offset', offsets, ... 'NumLevels', 32, 'Symmetric', true); statsGLCM = graycoprops(glcms, ... {'Contrast', 'Correlation', 'Energy', 'Homogeneity'}); texFeat = [mean(statsGLCM.Contrast), std(statsGLCM.Contrast), ... mean(statsGLCM.Correlation), std(statsGLCM.Correlation), ... mean(statsGLCM.Energy), std(statsGLCM.Energy), ... mean(statsGLCM.Homogeneity), std(statsGLCM.Homogeneity)]; end

为什么先裁剪到边界框再计算？因为GLCM统计的是整张图的灰度分布，如果背景皮肤占比太大，纹理特征会被大面积正常皮肤稀释。把背景像素置为0之后，灰度0会成为最大的灰度级之一，所以裁剪到病灶附近再算，这一招能明显提升纹理特征的判别力。

3.4 特征组装、归一化与特征选择

把所有特征拼起来，我通常得到30到50维的向量：几何4维、颜色12维、纹理8维，还可以加入颜色直方图分箱特征、局部二值模式（LBP）直方图特征。特征不是越多越好，在几百张样本的条件下，维度太多会让SVM在训练集上表现得很好、在测试集上打回原形。

归一化是必须做的一步。颜色特征的取值范围是0到255，而圆度指数可能只有1到10，如果不归一化，RBF核计算距离时大数值特征会完全压制小数值特征。Matlab里最简单的做法是在fitcsvm中设置'Standardize', true，让模型在训练时自动记录均值和标准差，预测时用同一套统计量归一化。如果自己手动zscore，务必注意只统计训练集的均值和方差，测试集要用训练集的统计量去换算，否则就是数据泄漏。

特征选择方面，对小数据集我推荐最朴素的过滤法：对每个特征单独计算它与标签的AUC，或者做单因素ANOVA看p值，然后保留区分度最高的10到20个特征。这个方法计算量小、不容易过拟合，还能顺手观察每个特征单独能打多少分。别一上来就用复杂的迭代特征选择算法，在样本少的时候容易选出“虚假的强特征”。

4. SVM训练与调参：RBF核、网格搜索与类别不平衡

4.1 RBF核到底在做什么

SVM的核心思想是找一个“间隔最大化”的分类超平面。但医学图像特征往往不是线性可分的，比如良性和恶性样本在特征空间里可能是犬牙交错的状态。RBF核做的事情，是把原始特征映射到一个更高维的空间，在这个新空间里找一个更优的分隔面。通俗点说，低维空间里绕来绕去的边界，映射到高维之后可能就是一个平面的事。

RBF核有两个关键参数，在Matlab里分别叫BoxConstraint和KernelScale。BoxConstraint对应的是误分类惩罚权重，值越大，模型越不愿意放过训练集里的错误样本，代价是可能过拟合；值越小，模型更宽容，追求更大的间隔，但可能欠拟合。KernelScale控制的是核函数的宽度，它决定了样本之间的“相互作用半径”。核宽度太小，每个样本只影响自己周围极小范围，决策边界非常曲折，过拟合；核宽度太大，所有样本都糊在一起，模型退化成近似线性，欠拟合。

这两参数没有万能的固定值，必须结合数据规模、特征分布来调。常见做法是对数网格搜索加交叉验证，这也是我接下来要说的重点。

4.2 网格搜索C和KernelScale的完整流程

我习惯用10折分层交叉验证来选参。所谓分层，就是每一折里良性和恶性的比例尽量和整体一致，防止某折里全是良性样本导致评估失真。选择参数的标准我推荐用AUC，因为AUC对分类阈值不敏感，能更稳定地反映排序能力。

% 假设X是特征矩阵，labels是类别标签（categorical） Y = double(labels == 'malignant'); % 1为恶性，0为良性 rng(42); cv = cvpartition(Y, 'KFold', 10); CList = [0.1 1 10 100]; scaleList = [0.01 0.1 1 10]; bestAUC = 0; for c = CList for s = scaleList scoreAll = zeros(size(X, 1), 1); predAll = zeros(size(X, 1), 1); for k = 1:cv.NumTestSets trIdx = training(cv, k); teIdx = test(cv, k); mdl = fitcsvm(X(trIdx, :), Y(trIdx), ... 'KernelFunction', 'rbf', ... 'BoxConstraint', c, ... 'KernelScale', s, ... 'Standardize', true); [predAll(teIdx), scoreAll(teIdx)] = predict(mdl, X(teIdx, :)); end [~, ~, ~, auc] = perfcurve(Y, scoreAll, 1); if auc > bestAUC bestAUC = auc; bestC = c; bestScale = s; end end end fprintf('Best AUC=%.4f, C=%.2f, KernelScale=%.2f\n', ... bestAUC, bestC, bestScale);

这里有一个细节值得说明：我把每个折的测试集预测分数收集起来，然后再统一算AUC，而不是每个折单独算AUC再取平均。这样得到的是“袋外分数”的AUC，样本量大，估计更稳。fitcsvm返回的score是带符号的决策距离，数值本身不直接等于概率，但perfcurve只需要排序能力，所以用这个分数算AUC没有问题。

Matlab也提供了'OptimizeHyperparameters', {'BoxConstraint','KernelScale'}这种自动调参选项，内部也是做贝叶斯优化。我建议第一次实验还是自己写网格搜索，因为能清楚地看到参数和大小的关系；等确定了大致区间，再考虑用自动调参去微调。

4.3 良性/恶性样本不平衡怎么办

皮肤癌数据集几乎必然不平衡。我这里的数据良性恶性比例大约4比1，极端情况下可能到10比1。如果不做任何处理，SVM会学到一个几乎全预测为良性的模型，准确率看起来高达80%甚至90%，但把恶性样本全部漏掉。这种模型放在筛查场景里是灾难。

最直接的办法是过采样少数类：把恶性样本复制几份，或者对恶性样本做旋转、翻转、小幅平移和亮度扰动来扩充。注意扩充必须放在训练集内部做，不能把测试集也扩进去。另一个办法是调整错分代价，在fitcsvm里通过Cost参数让“漏掉恶性”的代价远高于“误报良性”。

我在实践中发现，先用分层抽样保证每一折的类别比例一致，再配合AUC选参，比单纯调Cost矩阵更省事。如果数据实在太少，还可以考虑合成少数类样本的经典做法，但这类方法要谨慎使用，因为合成的样本位置如果落在真实数据分布之外，反而会把决策边界带偏。

4.4 评估指标的选取：别只盯着准确率

医学筛查场景里，准确率是最容易骗人的指标。分类器全预测良性，准确率可能很高，但毫无临床价值。真正要看的是敏感度和特异度。

筛查系统里，敏感度是第一位。漏掉一个恶性样本可能延误治疗，而多报几个良性样本最多是让患者多做一次复查。所以调参时如果AUC相近，我会优先选敏感度更高的那组参数。模型训练完成后，把测试集预测结果输出成混淆矩阵，逐类看错在哪，比只看一个准确率数字有用得多。

5. Matlab代码结构：从数据读取到模型部署

5.1 系统整体调用链

整个系统的代码组织可以分成五层，每层职责单一，方便单独调试和复用：

1. 数据读取层：用imageDatastore按文件夹自动生成标签；
2. 预处理层：调preprocessLesion完成去毛发、分割；
3. 特征提取层：调几何、颜色、纹理特征函数，拼成特征向量；
4. 训练调参层：网格搜索加交叉验证，确定最优超参数；
5. 评估部署层：测试集评估、混淆矩阵、保存模型、对新图预测。

这种分层方式最大的好处是，任何一个环节想替换都很容易。比如想把特征提取换成深度网络倒数第二层的特征向量，只需要改第三层；想把SVM换成别的分类器，只需要改第四层的训练函数。我最初也试过把所有代码堆在一个脚本里，结果改一个参数就要反复跑整个流程，浪费了很多时间。

5.2 关键函数速查

Matlab里这个项目用到的核心函数集中在两个工具箱：Image Processing Toolbox和Statistics and Machine Learning Toolbox。常用函数整理成一张表，方便对照。

5.3 主脚本骨架与单张图片预测

下面是一个可直接运行的主脚本骨架。特征提取第一次跑会比较慢，所以我加了一个缓存机制：把特征矩阵保存成features.mat，第二次直接加载。

%% 1. 读取数据集 imds = imageDatastore('data/', ... 'IncludeSubfolders', true, 'LabelSource', 'foldernames'); %% 2. 批量提取特征（带缓存） featureFile = 'features.mat'; if exist(featureFile, 'file') load(featureFile); % 包含 X 和 labels else X = []; n = numel(imds.Files); for i = 1:n imgPath = imds.Files{i}; img = imread(imgPath); [mask, clean] = preprocessLesion(imgPath); f = extractFeatures(img, mask, clean); X = [X; f]; if mod(i, 50) == 0 fprintf('已处理 %d/%d\n', i, n); end end labels = imds.Labels; save(featureFile, 'X', 'labels'); fprintf('特征提取完成并已缓存\n'); end %% 3. 训练测试划分 rng(42); cv = cvpartition(labels, 'HoldOut', 0.2); Xtr = X(training(cv), :); ytr = labels(training(cv)); Xte = X(test(cv), :); yte = labels(test(cv)); %% 4. 训练SVM（假设bestC和bestScale已经调好） mdl = fitcsvm(Xtr, ytr, ... 'KernelFunction', 'rbf', ... 'BoxConstraint', bestC, ... 'KernelScale', bestScale, ... 'Standardize', true); %% 5. 测试评估 pred = predict(mdl, Xte); C = confusionmat(yte, pred); disp(C);

单张新图的预测封装成一个函数，方便以后接到界面或者批量脚本里：

function [label, score, prob] = classifyNewImage(imgPath, mdl) [mask, clean] = preprocessLesion(imgPath); img = imread(imgPath); f = extractFeatures(img, mask, clean); [label, score] = predict(mdl, f); prob = 1 ./ (1 + exp(-score)); % 粗略映射，正式场景用fitSVMPosterior end

注意我这里为了示意，直接把决策距离用sigmoid映射成概率，这是简化做法。如果确实需要概率输出，官方推荐用fitSVMPosterior把SVM的分数修正成后验概率，但注意它需要额外的交叉验证样本，而且在训练集完全可分时会报错。正式做筛查报告的话，建议使用概率输出，因为临床系统需要的不只是“良性/恶性”两个词，最好还有置信度。

提示：训练好的模型里已经保存了标准化用的均值和标准差（因为开了'Standardize', true），预测新图时不需要再手动归一化，直接用predict就行。这是很多人容易踩的坑——总觉得自己要再算一遍均值方差，结果把新样本的尺度改错了。

6. 实测效果、踩坑记录与复现建议

6.1 一次典型实验的混淆矩阵长什么样

我用一个规模约400张、恶性样本约90张的公开皮肤镜数据集做了实验，特征维度28维，RBF核加10折交叉验证选参。选出来BoxConstraint=10、KernelScale=1，在20%留出测试集上的结果大概是这样的混淆矩阵。

换算下来：敏感度91.7%，特异度88.5%，准确率89.2%。说实话这个结果在传统手工特征方法里属于正常偏好的水平，离顶级期刊论文里深度学习模型的成绩还有距离，但作为基线、作业或者快速原型已经相当能打了。

注意，具体数字依赖数据集和特征版本，不要照搬。我每次调整预处理参数后，准确率都会波动两三个百分点，这在医学图像小样本实验里是常态。所以复现时不要迷信某个固定数字，关键是看混淆矩阵的结构：敏感度是否足够高，恶性样本有没有被大量漏掉。

6.2 我踩过的六个坑

第一个坑是不做预处理直接提特征。我第一次跑实验时偷懒，跳过去毛发直接算GLCM，结果纹理特征里混入大量毛发方向性响应，交叉验证AUC掉了近0.05，后来逐一对比才发现是毛发和反光的锅。

第二个坑是忘记归一化。不设'Standardize', true时，颜色特征（0到255）和圆度指数（1到10）在RBF核距离计算里完全不在一个量级，特征向量里颜色项主导一切，其他特征形同虚设。这个坑特别隐蔽，因为训练集准确率依然可能很高，但测试集泛化明显变差。

第三个坑是类别不平衡下的假高准确率。最初我用原始数据训练，测试集准确率接近85%，但一看混淆矩阵，恶性样本几乎全被预测成良性。改成分层抽样加AUC选参之后，模型才算真正学到东西。

第四个坑是特征维度与样本量不匹配。有段时间我把颜色直方图分成32个bin，特征维度拉到90多，400个样本喂90维特征，过拟合得厉害。后来用单特征AUC筛选到20维，测试结果反而更好。小样本场景，“少而精”的特征远胜“多而全”的特征。

第五个坑是数据泄漏。我在做特征选择时不小心用全数据集算了p值和AUC，再去做交叉验证，结果评估结果虚高。正确的做法是每一步特征选择都只在训练折里做，或者至少保证特征选择不接触测试集。

第六个坑是随机划分的方差。只做一次80/20划分，结果可能因为某次划分运气好或差而变化很大。我后来改为重复5次随机划分取均值，或者直接用10折交叉验证报告均值±标准差，才算得到稳定的评估结果。

6.3 让实验可复现的几条规矩

经历过上面这些坑之后，我给自己定了几条规矩，现在做任何医学图像小项目都遵循：

固定随机种子，数据划分之前先rng(固定数)，这样换台电脑跑结果一致；预处理参数集中放在脚本头部，不要散落在代码中间，方便调整和记录；特征缓存文件要标注版本号，数据或预处理改了就删掉缓存重新生成，避免拿旧特征配新标签；训练好的模型、特征列表、评估脚本一起归档，写成一份简短的README，哪怕三个月后回来看也能快速重新跑通。

另外，保存模型时不光要保存mdl，最好把特征提取函数、预处理参数、测试集路径都写进一份配置结构体。临床上如果要把模型交付给别人用，这些元信息比模型本身更重要。我就遇到过模型文件还在、但特征提取的版本对不上，导致预测结果完全不可信的情况。

6.4 可以继续扩展的方向

这套流程做完之后，可以向几个方向自然扩展。一是特征升级：把最后的全连接层之前的高层特征（常说的深度特征）提取出来，和手工特征拼接或直接替换，再喂给SVM，小样本下往往比纯深度模型更稳。二是多分类：把“良性/恶性”换成“痣、黑色素瘤、基底细胞癌”等多类，用fitcecoc做一对一纠错输出码框架，或者对每个类别单独训练一个二分类SVM再集成。三是区域级分析：不只判断整张病灶图，而是把病灶切成patch，逐个patch分类，最后聚合出整张图的判断，这样能对应到具体异常区域，给医生提供更直观的可视化依据。

最后说点我个人的体会。整套系统里，SVM本身反而不是难点，难的是把“医生眼里的特征”翻译成“代码里的数字”。这个项目做完以后，我最大的收获不是那个准确率数字，而是建立了一套从临床规则出发做特征工程、再回到评估指标验证的思路。如果你手头数据很少，不要一上来就搞50维特征，先用10到15个最核心的ABCD特征把流程跑通，再加纹理特征，观察交叉验证曲线的变化，这样每一步的增益和损耗都清清楚楚。做医学图像项目，慢就是快。