随着全球紫外线辐射增强，皮肤癌的发病率持续攀升，最常见的基底细胞癌和最致命的黑色素瘤病例均创下历史新高。然而，据皮肤癌基金会统计，如果能在早期发现并治疗黑色素瘤，其五年生存率高达99%。
为了解决偏远地区医疗资源匮乏、难以进行早期筛查的问题，爱丁堡赫瑞瓦特大学（Heriot-Watt University）计算机科学系博士生 Tess Watt 开发了一套名为 LesionIQ 的早期 AI 检测系统。该系统利用低成本的 Raspberry Pi 3B (Raspberry Pi 3 Model B) 结合微型摄像头，通过 TinyML（微型机器学习）技术，在无网络连接的离线环境下即可实现皮肤病变的实时诊断。
核心技术：基于边缘计算的离线 TinyML
LesionIQ 完美诠释了 TinyML 在边缘设备上的落地潜力------让机器学习模型在低功耗、未联网的硬件上高效运行。
在传统的皮肤病变诊断中，医生往往需要依靠肉眼和经验。而 Tess 的系统通过预先在 Raspberry Pi 中部署训练好的机器学习模型，能够同时分析海量病变特征，识别出人眼无法察觉的细微病理模式，从而提供更准确、客观的诊断参考。
系统运行流程：
-
图像采集：患者通过系统友好的交互界面，使用 Raspberry Pi 连接的摄像头拍摄患处照片。
-
实时离线推理：由于病变图像数据集和 AI 模型均部署在 Raspberry Pi 本地，设备无需将数据上传云端，即可在本地进行图像比对和特征分析。
-
辅助诊疗：系统输出初步诊断结果后，可将数据共享给全科医生（GP）进行最终的医疗验证并制定治疗方案。
为什么选择 Raspberry Pi 而不是智能手机？
在移动设备性能过剩的今天，许多开发者可能会问：为什么不直接开发一个手机 App？
Tess 给出了基于实际落地场景的硬核理由：
-
成本与普及率门槛：该项目使用的 Raspberry Pi 3B 硬件成本仅为 35 英镑左右。在互联网和电力资源受限的发展中国家及偏远农村地区，购买和维护智能手机的成本仍然过高，且普及率有限。
-
数据安全与隐私：医疗图像涉及极高的隐私合规要求。一台完全离线运行的 Raspberry Pi 在物理层面上隔绝了网络攻击，比时刻联网、后台应用繁杂的智能手机更具安全性。
现状与挑战：打破数据壁垒
目前，LesionIQ 在皮肤癌诊断上的准确率已达到 85%。Tess 正在与伦敦南岸大学、爱丁堡纳皮尔大学以及希腊研究与技术基金会的学者们展开合作，进一步优化模型。
然而，临床 AI 领域最大的瓶颈依然是数据。Tess 坦言："目前公开的皮肤病变数据集数量少且缺乏多样性，临床 AI 的发展仍处于起步阶段。"
她接下来的核心任务是构建规模更大、分布更多样化的数据集，并计划在真实世界的医疗环境中进行临床测试。Tess 正在与苏格兰国家医疗服务体系（NHS Scotland）沟通伦理审批，目标是在 2030 年前让这套设备正式投入临床使用。
