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

使用 Faster-RCNN 和 SkinNet 的多任务卷积神经网络（CNN）的联合检测和分割框架，对皮肤病变进行准确和自动地划分，并且在 ISBI 2017 数据集上得到了 Dice 系数大于 0.93、Jaccard 系数大于 0.88、准确率大于 0.96 和敏感度大于 0.95 的良好表现。

Aug, 2018

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

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

提出了一种名为DermImitFormer的多任务模型，通过模仿皮肤科医生的诊断程序和策略，解决了现有方法忽略皮肤疾病诊断所需基本领域知识的问题，并同时预测身体部位、皮损属性以及疾病本身，从而提高诊断准确性和可解释性。

Jul, 2023

通过使用多任务少样本学习方法，我们提出了一种适应少量标记数据的多任务少样本学习方法，结合分割网络和分类网络，以实现对皮肤病变的自动分类和检测，提高皮肤癌的早期检测率。

Oct, 2023

通过最大化不同视角下的镜检和临床图像之间的相似性，聚类分析生成模拟的伪多标签以及利用标签关系来改善多模态皮肤病变分类的自监督学习算法比其他现有自监督学习算法在七点皮肤病变数据集上获得了更好的性能。

Oct, 2023

该研究提出了一种通过卷积神经网络和机器学习方法，在面部图像中侦测瑕疵和皮肤损伤的模型，该方法具有简单的架构、快速和适用于图像处理，并避免了传统方法的复杂性。

Feb, 2024

通过整合智能手机拍摄的图像与临床和人口统计信息，将多模态方法引入皮肤病变分类的诊断过程中，通过辅助任务的超分辨率图像预测组成，提高特征提取和类别区分的能力，并展示了在资源匮乏的医疗环境中应用此方法的有效性。

Feb, 2024

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