本研究使用卷积神经网络和集成方法对两个皮肤病图片数据集进行分类。结果表明，使用目标检测技术可以提高某些皮肤病类别的分类准确性。

Nov, 2019

本研究关注如何在不同皮肤颜色的情况下，训练深度神经网络模型对临床皮肤病例进行分类，发现由 Fitzpatrick 皮肤类型标签进行数据注释所训练的深度神经网络模型对相似肤色的图像分类的准确度更高，并通过对比人工标记的 Fitzpatrick 皮肤类型标签和算法判定的肤色类型来进一步评价该深度神经网络模型。

Apr, 2021

本文提出了一种使用基于StyleGAN的层次结构算法生成现实匿名合成人脸数据集的有效方法，用于测试人脸分类系统的性能，表明使用生成的合成粉刺脸图像训练CNN分类器可以取得97.6%的准确率。

Nov, 2022

本研究提出了一种名为DermSynth3D的新型框架，它将皮肤病模式与人类主体的 3D 网格相融合，并使用可微分渲染器从不同的摄像机视点在各种背景场景下生成 2D 图像。DermSynth3D可以为各种皮肤病学任务创建自定义数据集，该数据集在训练深度学习模型时表现良好。

May, 2023

利用潜在扩散模型生成皮肤病图像的研究表明，通过合成数据训练模型可以在数据有限的情况下提高性能，但合成数据与真实数据相比仍然有较小的性能增益，因此收集多样的真实数据仍是提升医疗人工智能算法的重要步骤。

Aug, 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

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

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

本研究旨在评估两种深度学习模型在皮肤癌检测中的可靠性，特别关注它们的可解释性和公平性。研究发现，尽管模型在大部分皮肤病变类型中表现良好，但在光照皮肤和深色皮肤之间的假阳性和假阴性率上存在显著差异，提出的后处理策略有效改善了公平性，强调了对AI医疗模型在不同人群中进行严格评估的必要性。

Sep, 2024

本研究针对皮肤图像诊断中面临的挑战，提出了一种基于Cross-Attentive Fusion的新框架，旨在提高皮肤病变的可解释诊断性能。通过利用SAM生成可视化概念，本方法有效整合局部视觉概念与全局图像特征，显著提升了诊断的准确性和可解释性。研究结果在两个皮肤疾病数据集上的测试中表现出优越的效果，为皮肤疾病的诊断提供了更为实用的解决方案。

Sep, 2024