跳到正文
阿里雲開發者社區 AI·· 32 分鐘前AI 評分26

皮膚癌深度學習診斷方法綜述

A Survey of Deep Learning Methods for Skin Cancer Diagnosis |皮肤癌深度学习诊断方法综述

AI 導讀

這篇綜述梳理皮膚癌深度學習診斷方法從病灶分割與分類,演進至公平性、可解釋性和臨牀推理。內容涵蓋 CNN、視覺語言模型(VLM)及 MedSAM 等方法,並討論資料標註稀缺、膚色偏差、跨域泛化和部署效率等挑戰。近期研究探索以 Mamba、參數高效微調(PEFT)及多智能體推理,兼顧診斷能力與輕量化部署。

正文

简介: 皮肤癌深度学习诊断旨在利用计算机视觉技术辅助皮肤科医生进行早期病变识别,其核心价值在于缓解专家资源稀缺与大规模筛查需求之间的结构性矛盾。早期研究聚焦于标准化皮肤镜图像下的分类精度,通过卷积神经网络(CNN)确立了深度学习的基准地位,思路直接却受制于数据标注成本与模型黑盒效应。当临床部署暴露出肤色偏差与跨域泛化不足后,研究重心转向公平性约束与可解释性设计,用伦理合规与临床信任换取更广泛的适用性。随着视觉语言模型(VLM)与基础模型的引入,领域进一步探索具备临床推理逻辑的自动化诊断,以参数高效微调平衡计算成本与推理能力。

综述原文见 www.arxivreview.com

导读

皮肤癌深度学习诊断旨在利用计算机视觉技术辅助皮肤科医生进行早期病变识别,其核心价值在于缓解专家资源稀缺与大规模筛查需求之间的结构性矛盾。早期研究聚焦于标准化皮肤镜图像下的分类精度,通过卷积神经网络(CNN)确立了深度学习的基准地位,思路直接却受制于数据标注成本与模型黑盒效应。当临床部署暴露出肤色偏差与跨域泛化不足后,研究重心转向公平性约束与可解释性设计,用伦理合规与临床信任换取更广泛的适用性。随着视觉语言模型(VLM)与基础模型的引入,领域进一步探索具备临床推理逻辑的自动化诊断,以参数高效微调平衡计算成本与推理能力。各路线在精度、效率、公平性与可解释性之间做出了不同取舍,由此形成当前多元并存的技术格局。本综述梳理这条从像素级分割到临床逻辑推理的因果演进链条,为读者提供一张领域认知地图。全文按问题演化与路线取舍组织,覆盖该领域从奠基到当前的主要工作。

1. 研究背景、问题结构与演进脉络

皮肤癌,尤其是黑色素瘤,是全球最常见的恶性肿瘤之一,早期检测对提高生存率至关重要。传统诊断依赖皮肤科医生的人工目视检查,存在主观性强、耗时且专家资源稀缺的问题。随着数字皮肤镜(Dermoscopy)的普及和深度学习(Deep Learning)技术的突破,计算机辅助诊断(CAD)系统成为该领域的核心驱动力。2017年Esteva等人的工作标志着CNN在皮肤癌分类上达到专家水平,确立了深度学习的基准地位。随后,研究范式从单纯的分类任务向更复杂的分割、多模态融合及可解释性方向演进。2020~2026年间,领域重心从追求单一指标的高精度,转向解决临床部署中的实际痛点:包括数据标注稀缺(半监督/自监督学习)、模型公平性(肤色偏差)、可解释性(XAI)以及泛化能力(跨域适应)。当前,基础模型(Foundation Models)如MedSAM和视觉语言模型(VLMs)的引入正在重塑领域格局,旨在通过参数高效微调(PEFT)和多智能体推理实现更鲁棒、可解释且公平的自动化诊断,标志着该领域已进入智能化与临床落地深度融合的新阶段。

该领域的核心问题可形式化为在有限标注数据 $D = {(x_i, yi)}{i=1}^{N}$ 下,学习映射函数 $f: \mathcal{X} \rightarrow \mathcal{Y}$,其中 $x_i$ 为皮肤镜图像或临床照片,$y_i$ 为诊断标签。然而,这一形式化定义在临床实践中面临多重约束:数据分布偏差(肤色、设备)、类别不平衡(恶性样本稀缺)以及决策透明度要求。子问题之间存在强依赖关系:病灶分割为细粒度分类提供空间基础,多模态融合为分类提供上下文信息,可解释性与不确定性量化共同构成临床信任的必要条件。这种依赖结构决定了技术路线并非孤立竞争,而是通过“分割-分类-解释-公平”的流水线互补,或在“精度-效率-公平”的三角约束中进行取舍。

2016-2018年,领域处于奠基阶段,核心约束是计算资源有限与数据标注不足。研究者主要采用U-Net及其变体进行分割,利用ImageNet预训练权重进行迁移学习,以解决医学影像数据量不足的问题。这一时期的方法假设数据分布均匀且标注充足,核心目标是追求单一指标(如Dice系数或准确率)的高精度。2019年HAM10000数据集的发布提供了大规模公开基准,推动了分类任务的标准化,但也暴露了类别不平衡问题。

2020-2021年,问题定义发生第一次重大转折。ISIC 2017/2018 Challenge确立了分割与分类的标准评估流程,而Fitzpatrick17k数据集的引入揭示了现有AI模型在深色皮肤人群中的性能偏差,开启了皮肤科AI公平性研究的先河。此时,问题已转变为如何在数据分布偏差下保持诊断的普适性。研究者开始引入分布感知重加权与生成式增强策略,以缓解肤色分布不均导致的模型偏见。

2022-2023年,基础模型与视觉语言模型(VLM)的引入标志着第二次范式转移。Med-Flamingo等模型展示了大模型在复杂临床推理中的潜力,推动了皮肤科从单一分类向交互式诊断演进。与此同时,可解释性(XAI)从边缘议题上升为核心约束,Grad-CAM等技术成为评估模型决策逻辑的标准工具。这一阶段的核心矛盾是:大模型具备强大的推理能力,但计算成本高且存在“黑盒”效应,难以在资源受限场景部署。

2024-2026年,领域进入细化与融合阶段。Mamba架构因线性复杂度成为轻量化部署首选,解决了Transformer在点对点护理(Point-of-Care)场景下的效率瓶颈。同时,强化学习(如GRPO)被用于提升VLM的临床推理可靠性,多智能体协作系统模拟临床会诊流程,增强了诊断的透明度和可追溯性。当前形态是“基础模型+PEFT+VLM推理”的融合架构,核心问题是如何在保持临床推理能力与公平性的同时,实现边缘设备的高效部署。

如果用一个核心问题概括该领域,那便是:在资源受限与数据分布偏差的现实约束下,如何构建具备临床推理逻辑、肤色公平且可解释的轻量化皮肤病变自动诊断系统。

2. 方法体系

  • 2015:U-Net——引入编码器-解码器架构与跳跃连接,有效结合上下文语义与空间细节,成为生物医学图像分割的经典基线,奠定了后续皮肤病灶分割研究的架构基础

  • 2017:Feature Pyramid Network (FPN)——通过侧向跳跃连接融合不同分辨率的特征图,解决多尺度目标检测与分割中的尺度变化问题,为皮肤病灶边界的多尺度特征提取提供了关键的技术范式

  • 2018:Grad-CAM——利用梯度加权类激活映射生成可视化热图,无需修改网络架构即可解释CNN决策区域,解决了深度学习模型“黑盒”问题,成为皮肤科AI可解释性评估的标准工具

  • 2021:Fitzpatrick17k Dataset——引入Fitzpatrick肤色类型标注的大规模皮肤图像数据集,揭示了现有AI模型在深色皮肤人群中的性能偏差,开启了皮肤科AI公平性研究的先河

  • 2023:Med-Flamingo——将视觉语言模型引入医疗领域,通过多模态提示工程实现医学图像问答,展示了大模型在复杂临床推理中的潜力,推动了皮肤科从单一分类向交互式诊断演进

  • 2025:Mamba-based Segmentation——引入双向状态空间模型(Mamba)替代自注意力机制,以线性复杂度捕获长序列依赖,在保持分割精度的同时大幅降低计算开销,实现了轻量化部署

  • 2025:Skin-R1——构建基于教科书推理轨迹的数据集,结合监督微调与强化学习(GRPO),使视觉语言模型具备层级化鉴别诊断能力,实现了具备临床逻辑的可信推理

  • 2026:Skin Tone Normalization——基于ITA损失函数进行肤色归一化与通道剪枝,在特征层面消除肤色干扰,同时优化模型结构以提升效率,实现了公平性与性能的双重提升

这条时间线勾勒了该领域方法演进的代表性节点:从 2015 年的 U-Net 奠定该领域方法基线,经 2017 年 Feature Pyramid Network (FPN) 的推进,到 2026 年的 Skin Tone Normalization 代表当前前沿。各节点对应的技术路线、取舍与关联,详见后续小节。

2.1 病灶分割技术

病灶分割是皮肤病变分析的空间基础,其核心挑战在于精确勾勒不规则边界并处理低对比度区域。早期工作如Deep Feature Pyramid CNN with In-Place Activated Batch Normalization(Kechyn, 2026, P1)在U-Net拓扑基础上引入FPN解码器,通过侧向连接融合多尺度特征,解决了传统U-Net在复杂形态病变下全局上下文建模不足的问题。该方法以In-Place Activated Batch Normalization层减少内存访问,换取训练效率的提升,成为高精度边界描绘的稳健基线。

随着Transformer架构的引入,TransUNet等模型通过结合CNN局部特征与Transformer全局自注意力,进一步提升了复杂病灶的分割精度,但二次方计算复杂度限制了其在移动端的部署。为此,2025年出现的Mamba-based Segmentation路线开始探索状态空间模型(SSM)。UltraLBM-UNet(Fan et al., 2025, P15)提出基于双向Mamba的超轻量级分割网络,设计全局-局部多分支感知模块,利用共享权重的双向Mamba结构增强信息流动而不增加参数量。该方法以混合知识蒸馏策略压缩模型,在保持极高分割精度的同时实现了最小的参数规模,特别适用于点对点护理场景。其核心取舍是用Mamba的线性复杂度换取Transformer的全局建模能力,同时通过蒸馏弥补轻量架构的精度损失。

另一条路线是扩散模型在分割中的应用。MLFFM-SegDiff(Gu et al., 2026, P40)构建基于扩散模型的多层级特征融合分割框架,通过双路径特征提取结构捕捉不同尺度视觉特征,并在扩散去噪过程中整合。该方法引入边界敏感优化策略,强化边界区域的梯度信号,以生成式方法的不确定性建模换取对低对比度和不规则形状病灶的更强鲁棒性。与确定性分割模型相比,扩散模型提供了概率化的边界估计,但推理速度较慢。

此外,半监督学习成为缓解标注稀缺的重要手段。MIRA-U(Qamar, 2025, P9)提出结合混合CNN-Transformer架构的半监督分割网络,采用不确定性感知的教师-学生伪标签策略。教师网络通过掩码图像建模(MIM)预训练,利用蒙特卡洛Dropout估计不确定性,生成加权软伪标签。学生网络结合卷积层对局部纹理的精细建模与Transformer块对长程依赖的全局捕捉。该方法通过一致性训练,仅将高置信度预测传播给学生,以标注数据量的减少换取训练稳定性的提升。PEFT-MedSAM(Channa et al., 2026, P37)则利用参数高效微调(PEFT)技术对MedSAM进行适配,避免全参数微调的高计算成本和灾难性遗忘,通过引入可解释性模块输出注意力图,以零样本或少样本适配策略降低新任务的数据需求。

2.2 可解释性诊断

可解释性是建立临床信任的必要条件,仅追求高准确率而缺乏决策依据的模型难以被医生接受。早期方法主要依赖Grad-CAM等后验解释技术,如XAI-Driven ResNet-50 with GAN Augmentation(Villanueva and Kumar, 2025, P12)在微调预训练ResNet-50后应用Grad-CAM生成热力图,直观展示模型决策区域。该方法以GAN生成合成图像平衡类别分布,换取分类性能的提升,并通过可视化解释增强临床信任。

随着Transformer架构的普及,其缺乏局部特征解释性的问题日益凸显。IViT(Li et al., 2026, P39)提出可解释视觉Transformer模型,设计QP约束的全局可解释特征选择模块,筛选出的特征激活区域与皮肤科医生临床诊断关注的核心病灶区域高度一致。该方法通过结合交叉熵损失和类内特征多样性损失进行多目标优化,以模型架构的修改换取决策过程的可视化,增强了算法在临床实践中的可信度。

不确定性量化成为提升诊断可靠性的另一关键路径。Uncertainty-Aware Explainable Ensemble Framework(Islam and Ferdouse, 2026, P44)设计结合深度集成学习与不确定性量化的多类分类框架,整合卷积局部特征提取和Transformer全局依赖建模。该方法利用Focal Loss缓解类别不平衡,并通过不确定性估计识别低置信度样本,将其标记为“不确定”并建议转诊。这种选择性预测机制以模型复杂度的增加换取对能力边界的明确界定,为临床医生提供了预测可信度的重要参考。

LLM的引入为可解释性评估提供了新范式。LLM-Based Visual Explanation Evaluation Framework(Na, 2026, P36)提出结合CNN分类、Grad-CAM解释生成与大语言模型评估的框架,利用LLM对热力图与临床诊断描述进行语义一致性评估。该方法以自动化评估替代人工主观判断,解决了传统评估成本高且主观性强的问题,为皮肤科AI模型的可解释性提供了客观、可量化的评估标准。

2.3 多模态融合分类

单一图像模态存在信息局限,融合临床元数据能提供更丰富的上下文,提升分类准确性和可解释性。JI-ADF(Nguyen et al., 2026, P32)提出联合-个体学习与自适应决策融合框架,分别训练基于图像的视觉模型和基于元数据的文本/结构化模型,然后通过自适应决策融合模块动态调整权重。这种解耦又融合的设计允许模型根据输入样本特性灵活依赖视觉特征或临床背景,以模态独立性的保持换取跨模态信息的协同增强。

Swin Transformer Multimodal Fusion(Pathirana et al., 2026, P43)构建基于Swin Transformer的多模态融合分类框架,利用层次化结构捕捉多尺度特征,并通过跨模态注意力机制对齐图像特征与序列化元数据特征。该方法生成类判别性归因热图和补丁级注意力图,以Transformer的全局建模能力换取对复杂场景下分类鲁棒性的提升。

针对跨模态及肤色偏差问题,MIFR(Njih et al., 2026, P45)提出模态不变且公平的表示框架,通过对比学习策略学习对成像模态不变的特征表示,同时引入公平性约束优化不同Fitzpatrick肤色类型上的表现。该方法以模态不变性换取多中心、多设备数据整合分析的泛化能力,提升了模型的伦理合规性。

Geometry-Aware Superpixel Graph Transformer(Azeem et al., 2026, P38)提出几何感知超像素图Transformer,将图像分割为SLIC超像素构建图结构,患者元数据作为上下文节点融入图注意力机制。通过冻结CNN骨干并仅训练图模块,该方法以计算效率的保持换取对复杂病灶内部子区域空间排列关系的细粒度理解。

2.4 公平性与去偏

现有AI模型存在显著的肤色偏差,对深色皮肤患者的诊断准确率低于浅色皮肤患者,公平性已成为临床部署前的关键评估指标。LesionTABE(Diaz et al., 2026, P18)提出针对皮肤色调偏差的公平AI框架,利用Fitzpatrick17k数据集通过分层采样和增强策略平衡训练数据中的肤色分布,并在训练过程中引入公平性约束。该方法以数据分布的平衡换取不同Fitzpatrick类型上性能差距的最小化,显著减少了深色皮肤人群的误诊率。

模型层去偏策略则关注特征解耦。Achieving Fair Skin Lesion Detection through Skin Tone Normalization and Channel Pruning(Wei and Chakraborti, 2025, P4)提出结合肤色归一化与通道剪枝的方法,利用基于ITA损失的归一化技术消除光照和肤色差异,并引入元学习驱动的联合通道剪枝动态分配敏感属性权重。该方法以特征表达能力的部分损失换取公平性与效率的双重提升,为临床部署提供了轻量级且公平的解决方案。

Automated Disentangling Analysis of Skin Colour(Yang et al., 2026, P23)提出自动化解耦分析皮肤颜色的方法,利用解耦压缩框架分离图像中的肤色信息与病灶几何信息。通过约束颜色嵌入仅包含全局肤色信息,模型能够在诊断时忽略肤色干扰,专注于病灶本身的形态特征。这种解耦表示以颜色重建精度的潜在损失换取在不同肤色背景下诊断一致性的提升。

分布感知重加权策略则关注个体层面的公平性。Mitigating Individual Skin Tone Bias(Paxton et al., 2025, P13)提出基于分布感知重加权的个体肤色偏差缓解方法,通过计算样本在肤色分布中的位置动态调整训练样本权重。该方法以整体准确率的潜在波动换取边缘群体诊断体验的改善,确保了诊断结果的个体公平性。

2.5 大模型与推理

视觉语言模型(VLM)的引入标志着皮肤科AI从静态分类向动态鉴别诊断演进。Skin-R1(Liu et al., 2025, P11)提出面向可信临床推理的皮肤科诊断模型,通过多阶段训练管道建立层级化鉴别诊断能力。该方法首先构建SkinRationale数据集,从权威皮肤科教材中提取多步骤、层级感知的推理轨迹,随后通过监督微调(SFT)植入基础推理能力,并利用组相对策略优化(GRPO)强化学习增强泛化能力。这种结合SFT与RL的训练策略以计算成本的增加换取模型模拟医生鉴别诊断思维过程的能力,显著提升了皮肤科AI的可信度。

SkinFlow(Liu et al., 2026, P19)提出基于动态视觉编码和分阶段强化学习的皮肤疾病诊断框架,通过动态视觉编码机制引导模型聚焦关键病理特征,忽略无关背景信息。随后利用分阶段强化学习优化推理过程,使其能够生成符合临床逻辑的诊断解释。该方法以注意力机制的精细化换取开放式皮肤科诊断中注意力分散问题的解决,增强了模型与医生进行交互式对话的能力。

多智能体协作系统模拟临床会诊流程,进一步提升诊断的透明度和可追溯性。SkinGPT-X(Chen et al., 2026, P29)提出自进化协作多智能体系统,由多个具有不同角色的智能体协作完成诊断任务。通过自进化机制,智能体能够根据反馈不断优化推理策略,生成详细的诊断报告,包含推理过程和不确定性评估。这种多智能体协作设计以系统复杂度的增加换取诊断鲁棒性的提升,提高了临床医生对AI系统的接受度和信任度。

2.6 数据增强与综述

数据增强是缓解类别不平衡和数据稀缺的有效手段,但需警惕合成数据引入的分布偏差。DermaFlux(Galanakis et al., 2026, P26)提出基于整流流的合成皮肤病变生成框架,通过LoRA微调预训练的Flux.1整流流骨干实现文本条件的病变合成。生成的图像在保持解剖结构合理性的同时覆盖多种病变形态和背景,以生成式AI的数据多样性换取模型在少数类样本上性能的提升。

DerMAE(Filho et al., 2026, P24)提出结合条件潜空间扩散和MAE蒸馏的皮肤病变分类改进方法,首先利用DDPM生成合成图像缓解类别不平衡,随后通过MAE蒸馏将生成模型的知识迁移到分类模型中。这种策略以蒸馏过程的复杂性换取分类模型特征提取能力的提升,在HAM10000数据集上显著提升了分类性能。

跨域泛化是临床部署的另一关键挑战。Contrastive meta-domain adaptation(Mota et al., 2026, P25)提出对比元域适应方法,利用HAM10000、PAD-UFES-20和DDI等数据集分析图像采集偏差对模型性能的影响。通过对比学习,模型学习对域变化不变的特征表示,并在元学习框架下适应新域。该方法以域不变特征的学习换取跨数据集、跨设备场景下泛化能力的提升,解决了临床部署中因成像条件差异导致的性能下降问题。

3. 关键共识、分歧与开放问题

3.1 领域共识

深度学习模型在皮肤癌分类和分割任务上已达到或接近皮肤科专家的诊断水平,具备替代人工初筛的潜力。这一共识在多个基准上被反复验证:Dual-Network Attention Model在HAM10000上的93.47%准确率与ISIC2019上的88.00%准确率均大幅超越经典ResNet-50的91.212%和81.45%(支撑证据:P10、P14)。U-Net及其变体是皮肤病变分割领域最基础且有效的架构,后续改进多围绕注意力机制和混合结构展开,MambaLiteUNet在ISIC2017上的92.21% Dice系数进一步验证了这一架构的持续有效性(支撑证据:P31)。

与此相关的另一个共识是,现有AI模型存在显著的肤色偏差,对深色皮肤患者的诊断准确率低于浅色皮肤患者,公平性已成为临床部署前的关键评估指标。Fitzpatrick17k数据集的引入揭示了这一偏差,LesionTABE和Controllable Generation等方法在Fitzpatrick17k上的表现差异(85.10% vs 90.9%)反映了不同去偏策略的有效性差异(支撑证据:P18、P41)。可解释性(XAI)是建立临床信任的必要条件,仅追求高准确率而缺乏决策依据的模型难以被医生和患者接受,Grad-CAM和LLM评估框架的广泛应用印证了这一共识(支撑证据:P12、P36)。

3.2 观点分歧

公平性实现路径存在显著分歧:数据层干预 vs 模型层解耦。观点A主张通过分布感知重加权(LesionTABE, P18)或生成式增强(Controllable Generation, P41)平衡训练数据分布;观点B主张通过肤色归一化(Skin Tone Normalization, P4)或特征解耦(Automated Disentangling, P23)在特征空间消除肤色干扰。现有证据偏向观点A在提升整体公平性指标上更有效,但观点B在保持模型效率上更优。缺乏统一的“公平性-精度”帕累托前沿评测,难以定论。这一分歧的背后,是另一个更根本的争论:VLM通用推理 vs 专用CNN高精度。

观点A认为VLM(Skin-R1, P11; SkinFlow, P19)具备层级化鉴别诊断能力,可生成临床逻辑解释,适合复杂场景;观点B认为专用CNN(MelanomaNet, P14; Dual-Network, P10)在特定数据集上精度更高,计算效率更优,适合标准化筛查。在细粒度鉴别诊断和罕见病任务上,VLM表现更优;但在标准ISIC分类任务上,专用CNN仍具竞争力。证据强度中等,缺乏大规模临床随机对照试验。VLM的“幻觉”问题尚未完全解决,计算成本差异巨大,难以在资源受限场景直接对比。

3.3 其他开放问题

最紧迫的工程问题是轻量化部署与计算效率的平衡。Mamba/PEFT已解决部分部署效率问题,但合成数据(Diffusion/GAN)的临床真实性验证仍是瓶颈。关键困难在于缺乏统一的合成数据质量评估标准,研究路径包括建立基于临床医生盲评的合成数据真实性基准。

最根本的研究问题是VLM临床推理可靠性与个体公平性的量化。VLM在罕见病诊断中的可靠性(Mind the Rarities, P27)尚未解决,个体层面的肤色偏差(Distribution-Aware Reweighting, P13)比群体公平更难量化。关键困难在于缺乏大规模、多中心、包含详细人口统计学属性的标准化数据集,研究路径包括构建统一的公平性评测协议和VLM临床验证框架。

已知—争议—未知认知图谱显示:领域在“深度学习达到专家水平”和“U-Net是分割基石”上已形成共识;在“公平性实现路径”和“VLM vs 专用CNN”上存在显著争议;在“VLM幻觉消除”和“个体公平性量化”上仍是未知领域。发展趋势是“基础模型+PEFT+VLM推理”的融合架构,核心问题是如何在保持临床推理能力与公平性的同时,实现边缘设备的高效部署。

4. 总结与展望

皮肤癌深度学习诊断已从“技术可行性”证明阶段进入“临床可信性”构建阶段。核心任务“在资源受限下实现可信、公平的诊断”要求未来研究在架构轻量化、推理透明化及公平性标准化方面持续突破。方法演进遵循“架构创新(U-Net->Mamba)”与“范式升级(分类->推理)”双主线,各路线在精度、效率、公平性与可解释性之间做出了不同取舍。

未来可能突破的方向包括:1)多模态数据融合与临床元数据整合,解决单一图像模态信息不足的问题,难点在于如何有效对齐视觉特征与结构化临床数据;2)模型可解释性与临床信任构建,解决深度学习“黑盒”问题导致的临床采纳障碍,难点在于生成符合临床逻辑的可视化解释;3)公平性与肤色偏差缓解,解决模型在不同肤色群体中性能不一致的问题,难点在于数据分布偏差和特征纠缠。对进入者最值得做的一件事是:在统一骨干与统一预训练条件下,构建包含公平性、可解释性与计算效率的多维评测基准,以解决当前SOTA结果可比性受限的问题。

以上为节选,完整内容见ArxivReview

來源:阿里雲開發者社區 AI · developer.aliyun.com