基于 EfficientNet-B3 注意力增强与 CfC 液态神经网络分类头的皮肤病变智能诊断系统产品系统Vibe Coding

立项原因：本项目旨在解决皮肤病灶分类混淆度高、诊断结论可解释性差、系统部署门槛高的产品问题。
行业场景与业务背景：面向皮肤科门诊与远程问诊场景，为基层医院、皮肤专科诊所及互联网医疗平台提供覆盖图像上传、智能分类、症状分析、RAG医学知识检索与问答生成的皮肤病智能诊断服务，助力提升诊断效率与一致性。

本项目包含五大功能模块：图像上传与预处理模块、皮肤病变分类推理模块、多Agent协作诊断模块、RAG医学知识检索模块和诊断评估模块。系统面向23类皮肤病变图像完成智能诊断闭环：用户上传病灶图像后，模型自动完成分类推理，症状分析、图像诊断、治疗建议三个Agent协同工作，结合Chroma向量数据库检索医学知识，生成有依据的诊断问答并返回诊断结果。系统还支持对2,927张测试样本进行完整评估，输出Accuracy、AUC、Macro-F1、混淆矩阵与分类报告，实测Accuracy 71.06%、AUC 94.87%，为皮肤科辅助诊断提供可靠支撑。

我负责全部核心任务：模型设计与训练（EfficientNet-B3引入残差通道-空间注意力、CfC液态神经网络分类头）、基于LangChain的多Agent协作流程搭建、Chroma向量库RAG检索模块构建、评估流水线开发与FastAPI服务部署。技术栈为PyTorch、EfficientNet-B3、LNN/CfC、LangChain、Chroma、FastAPI、Scikit-learn。实现亮点是注意力机制与液态神经网络分类头结合，增强动态特征建模与类别判别能力；难点在于病灶区域细小、类间差异弱、相似病种易混淆，需通过注意力增强突出关键病灶区域，并通过RAG增强诊断结论的循证性。