本文探讨了 13 种数据增强下三种卷积神经网络（Inception-v4、ResNet 和 DenseNet）对黑色素瘤分类的影响，结果表明数据增强可以在训练和测试中都提高性能，且可以比获得新图像更有效。最佳情况下，不借助外部数据的黑色素瘤分类 AUC 为 0.882，超过了使用附加数据进行训练的 ISIC Challenge 2017 的最佳结果（0.874）。

Sep, 2018

本文针对现有的皮肤病例资料集中的偏见问题，提出一系列实验，发现机器学习模型在没有临床有意义信息的情况下可以正确分类皮肤病变图像，这强烈暗示了伪相关性引导模型。通过本次实验，揭示了模型在小型数据集中训练和评估的局限性，为未来的模型指导提供了参考。

Apr, 2019

研究表明，知识转移对于深度学习 -- 图像分类任务中自动黑色素瘤筛查等任务的表现具有重要影响。而对于医学任务，深度学习对训练数据的渴求提出了挑战，通过从不同任务训练的模型中回收知识的转移学习策略可以缓解此类问题，然而这方面的系统性评估目前尚缺失，因此本文调查了转移的存在性、转移来源的任务以及深度模型的 fine-tuning 并测试了深度不同的模型性能，结果表明使用 fine-tuning 的 ImageNet 上预训练的深层模型可达到较好的性能，为两个皮肤病分类数据集实现了 80.7% 和 84.5% 的 AUC 值。

Mar, 2017

本文介绍了一种基于对抗训练和迁移学习的皮肤病变图像自动分类的两阶段框架。通过学习数据分布的内类别映射和利用图像翻译技术，我们能够在缺乏表征病变的样本中生成人工制造的少数不平衡训练样本。实验证明，所提出的方法优于几种标准的基线方法，并具备能够达到皮肤科医师专家水平的基于上下文的病变评估方法。

Apr, 2020

提出了一种基于标注伪影的流程，用于深度学习在皮肤病变分析中的领域适应性评估与去偏倚。在具有不同程度偏差的数据集上进行建模，并利用基于皮肤病变的数据集进行域通用化。在测试时去除推理图像中的伪特征，实验表明该流程在有偏数据集的表现指标有所提高，且对于伪影的忽略具有较好的效果，但在外部数据集上的表现较差，尤其需要对于皮肤病变分析的公平性更加关注。

Aug, 2022

本研究利用 transformer-based 架构实现了单阶段多模态数据融合，并在图像与病患数据丰富的环境下击败了其他单模态和多模态深度学习架构，同时，所选架构还提供了本地可解释性支持。

Apr, 2023

通过图像分析开发深度学习模型诊断皮肤病变的激增值得注意，然而它们在临床黑脸挑战方面存在限制：限定的诊断输出数量、对罕见皮肤病变缺乏实际世界测试、无法检测越界图像以及过度依赖显微镜图像。为了解决这些问题，我们提出了一种全能的 HOT 模型（Hierarchical-Out of Distribution-Clinical Triage），对于临床图像，我们的模型生成三个输出：层次预测、越界图像警报以及在临床图像不足以进行诊断时对显微镜图像的推荐。当进行推荐时，它将同时整合临床和显微镜图像以进行最终诊断。针对代表性的皮肤病变数据集进行的大量实验证明了我们框架内每个组件的有效性和协同作用。我们多功能的模型为病变诊断提供有价值的决策支持，并为医学 AI 应用设定了一个有前景的先例。

Nov, 2023

黑色素瘤是皮肤癌症中最严重的一种，深度神经网络在临床护理和皮肤癌症诊断方面表现出巨大潜力，但现有研究主要依赖白人肤色的数据集，忽视了多样人群肤色的诊断结果。本研究评估了有监督和自监督模型在黑人手掌、脚底和指甲等黑人肌肤部位的皮损图像中的性能，并且利用 Fitzpatrick 皮肤色表确保对黑人肌肤的性能。结果显示这些模型的普适性差，表现良好的是对白人肌肤的皮损，缺乏多样化数据集的开发是不可接受的，深度神经网络在改善诊断方面有着巨大潜力，特别是对于接触有限的人群，但包括黑人皮损是必要的，以确保这些人群能够获得包容性技术的好处。

Sep, 2023

本论文解决了皮肤病分类模型数据偏差问题，通过综合分析 7 种视觉损伤，防止模型学习虚假相关性并提出了数据集来测试模型的偏差，但发现尽管结果有希望，目前的去偏方法还不足以解决皮肤病模型的偏差问题。

Apr, 2020

通过更少的数据选择培训样本，并将地面真实掩码的条件化来消除过度细节，探讨了分割可以改善的可能性，发现样本选择和详细程度的删除分别对应于选择更好的深度学习模型的 12％和 16％。

Apr, 2020