近日，我院2025级硕士研究生车祉谚同学以第一作者身份，李泳桂、陈浩为合作作者，在国际权威学术期刊《Expert Systems with Applications》上发表了题为“DermoSAM: Lightweight boundary-aware SAM distillation for dermoscopy lesion segmentation”的学术论文。该论文的通讯作者为三位作者的硕士研究生导师陈入云教授。

《Expert Systems With Applications》是人工智能与模式识别领域的国际顶级学术期刊，具有极高的学术声誉和影响力。该期刊目前被中科院SCI分区列为一区Top期刊，最新影响因子高达9.4。其以严苛的审稿标准和对前沿技术创新性的高要求而著称，该论文的发表充分彰显了我院研究生在人工智能与医学影像交叉领域的扎实科研功底与原始创新能力。

准确的皮肤镜病灶分割需要高区域一致性与可靠的边界描绘，同时还需保持模型较高的推理效率。尽管可提示的基础模型（Foundation Models）提升了通用分割能力，但现有的皮肤镜工作流在推理阶段往往仍依赖人工提示，这不仅限制了模型的可扩展性，还引入了操作者的主观变异性。针对这一痛点，车祉谚同学与陈入云老师团队提出了一种名为DermoSAM的新型皮肤病分割框架。该框架实现了全自动化推理，彻底摆脱了对人工提示的依赖。同时，该模型的总参数量仅为1041万（10.41M），其中可训练参数更是低至635万（6.35M），极大地提升了模型的轻量化程度与部署可行性。

DermoSAM之所以能取得如此优异的性能，得益于其两大核心内部组件的创新设计：其一，边界感知皮肤先验生成器（Boundary-aware Skin Prior Generator）能够生成密集的空间先验，精准捕捉病灶范围与边界证据，并有效降低常见伪影的干扰；其二，引导区域分词器（Guided Region Tokenizer）将全局上下文提炼为少量区域Token，并在密集先验的引导下，使全局上下文在解码过程中能够精准支持局部边界线索。这两项设计的有机结合，使得 DermoSAM能够在全自动工作流中实现边界稳定、定位精准的皮肤病灶分割，为临床医学辅助诊断提供了强有力的技术支撑。