本文提出了两种深度学习方法来解决皮损分割、皮损皮肤镜特征提取和皮损分类三个任务，实验结果在ISIC 2017测试集上表现出有前景的准确率

Mar, 2017

本文研究了实现强健的皮肤病诊断的实用方法，并提出一种以皮损为病变类型标签的自动化诊断系统作为目标的方法，并应用卷积神经网络（CNNs）来实现疾病定向诊断和病变定向分类的分类器，并采用来自六个公开皮肤病学大全的75665个皮肤病图像来进行训练与测试，结果证明基于病变定向分类的分类器的效果优于疾病定向的分类器。

Dec, 2018

本研究运用深度学习模型通过计算机视觉系统对皮肤镜图像进行分析和诊断，以检测黑色素瘤和恶性皮肤癌，其中测试结果表明PNASNet-5-Large模型具有最佳的验证得分0.76。

Jan, 2019

本研究提出了一种新的基于补丁注意力机制的体系结构，可以为高分辨率图像提供全局上下文，在皮肤病变分类中优于其他基于补丁的方法，并提出了一种诊断引导的损失加权方法以应对类别不平衡问题。

May, 2019

本文介绍了我们针对ISIC 2019皮肤病变分类挑战的方法，通过包括不在训练集中的皮肤病变类型的外部数据，使用丰富多样的数据集解决多类皮肤病变分类中的类别不平衡问题，并采用不同的分辨率和裁剪策略，以及额外的神经网络融合等技术实现了一整套模型，最终在两个任务上取得了最好的效果。

Oct, 2019

本文介绍了我们用于分类 ISIC 2019 挑战数据集皮损 dermoscopic 照片的方法和技术，我们的方法旨在使用合奏深度神经网络及其一些强大的技术来处理不平衡数据集，以提高 CNN 模型性能。

Nov, 2019

通过人工智能和图像分类技术，将肿瘤性皮肤病变进行分类识别为恶性或良性，以实现早期有效诊断。

May, 2023

深度学习诊断系统在标注训练样例充足时，已展示出在分类皮肤癌症状况方面的潜力。然而，皮损分析经常面临标注数据稀缺的问题，阻碍了准确可靠的诊断系统的开发。在本研究中，我们利用多个皮损数据集，并探讨了各种无监督领域自适应（UDA）方法在二元和多类别皮损分类中的可行性。特别是，我们评估了三种UDA训练方案：单一来源，综合来源和多来源。我们的实验结果表明，UDA在二元分类中效果显著，当减少不平衡时，进一步提高。在多类别任务中，其性能不太明显，并且需要解决不平衡问题以实现高于基准的准确性。通过我们的定量分析，我们发现多类别任务的测试误差与标签偏移强相关，而特征级UDA方法在处理不平衡数据集时存在局限性。最后，我们的研究揭示了UDA可以有效减少对少数群体的偏见，并促进公平，即使不明确使用面向公平的技术。

Jul, 2023

该研究提出了一种轻量级的皮肤病变检测流程，应对类别分布不平衡和一些病变的微妙或非典型表现的挑战。该流程基于一种轻量级模型，利用幽灵特征和DFC注意力机制减少计算复杂性同时保持高性能。通过合成少数类过采样技术和各种图像增强技术来解决数据集中的类别不平衡问题。模型还采用基于知识的损失加权技术，在类别级别和实例级别对损失函数赋予不同的权重，以帮助模型关注少数类别和具有挑战性的样本。该模型在检测和分类不同的皮肤病变方面取得了92.4%的准确率，84.2%的精确度，86.9%的召回率和85.4%的F1得分，尤其在识别良性角化病样病变（BKL）和痣（NV）方面表现出色。尽管具有卓越的性能，但该模型的计算成本远低于一些准确度较低的模型，使其成为实际应用中准确度和效率都至关重要的最佳解决方案。

Aug, 2023

本研究针对皮肤病变诊断中的准确性问题，提出了一种基于集成学习的新方法。通过利用多种深度学习模型与集成策略，开发了名为SkinNet的模型，大幅提高了诊断准确率，达到了0.867的准确率和0.96的AUC，显示出集成学习在皮肤病变分类中的重要潜力。

Sep, 2024