基于KAN融合的混合CNN-Transformer模型应用于皮肤癌分类

一、研究背景与意义

皮肤癌是全球最普遍且快速增长的癌症类型之一，恶性黑色素瘤等疾病因侵袭性和转移潜力而风险极高。早期检测对提高患者生存率至关重要，但临床诊断面临类内差异大、类间相似性高以及数据集偏差等挑战。深度学习，特别是卷积神经网络（CNN），已在医学图像分类中取得显著成果，但CNN在捕捉长程依赖关系和全局上下文信息方面存在局限，而Transformer模型又需要大量数据支持。为此，本研究提出一种混合CNN-Transformer架构，结合卷积Kolmogorov-Arnold网络（CKAN）​​ 进行特征融合，以提升皮肤病变分类的准确性和泛化能力。

二、研究主要内容与方法

1. 核心架构设计

本研究探索了两种混合模型结构：

• ​Sequential Hybrid Model（顺序混合模型）​​：先通过CNN提取局部空间特征，再通过Transformer编码器捕获全局依赖关系，最后通过全连接层进行分类。

  

• ​Parallel Hybrid Model with CKAN Fusion（并行混合模型）​​：CNN和Transform