目录1.1 皮肤镜图像分析的技术范式转移1.1.1 从传统ABCD法则到深度学习端到端检测的演进路径1.1.2 YOLOv8在医学图像分割中的架构优势：实时性与精度的平衡1.1.3 Segment Anything Model (SAM) 的医学适配：零样本分割到微调迁移1.1.4 混合模型设计哲学：检测-分割-分类三级级联架构1.2 ISIC基准数据集工程与预处理1.2.1 ISIC 2017-2024数据集谱系：从2D皮肤镜到3D全身体摄影(3D-TBP)的演进1.2.2 七级分期标签体系解析：Melanoma/Nevus/BCC/SCC/AK/BK/其他恶性病变1.2.3 皮肤镜图像标准化流程：hair removal (DullRazor算法)、眩光消除、颜色校准1.2.4 类别不平衡问题的工程解决方案：StyleGAN3合成增强与加权采样策略1.3 混合模型数据管道构建1.3.1 多尺度输入策略：YOLOv8的640×640与SAM的1024×1024分辨率对齐1.3.2 边界框-掩膜联合标注格式：COCO JSON到YOLO格式的医学适配转换1.3.3 硬负样本挖掘：易混淆病变类型（如脂溢性角化病 vs. 黑色素瘤）的难例标注1.3.4 跨数据集泛化验证：HAM10000、PH2、SLICE-3D的联合训练协议完整代码实现脚本1：ISIC数据下载与预处理管道脚本2：YOLOv8-SAM混合模型训练框架脚本3：混合模型推理与七级分类部署脚本4：类别不平衡处理与StyleGAN3数据增强1.1 皮肤镜图像分析的技术范式转移