本文使用 HAM10000 数据集，对基于深度学习 (DL) 的皮肤病变分类方法进行了全面的评估，并结合迁移学习和不确定性量化 (UQ)。我们对多个预训练的特征提取器进行了基准测试，包括 CLIP 变体、ResNet50、DenseNet121、VGG16 和 EfficientNet-V2-Large，并结合了 SVM、XGBoost 和逻辑回归等传统分类器。我们探索了各种主成分分析 (PCA) 设置（64、128、256 和 512），当 LAION CLIP ViT-H/14 和 ViT-L/14 与 PCA-256 结合使用时，获得了最佳基线性能。在 UQ 步骤中，我们应用了蒙特卡洛丢弃法 (MCD)、集成和集成蒙特卡洛丢弃法 (EMCD)，并使用不确定性感知指标（UAcc、USen、USpe 和 UPre）进行评估。使用 PCA-256 的集成方法在准确率和可靠性之间实现了最佳平衡。通过对性能最佳的提取器进行特征融合，进一步提升了性能。最后，提出了一个基于特征融合的模型，该模型使用预测熵 (PE) 损失函数进行训练，在标准评估和不确定性感知评估中均取得了优于所有先前配置的性能，从而推动了基于深度学习的可靠皮肤癌诊断。
