本论文介绍了一个深度学习系统（DLS），旨在为临床案例（皮肤照片和相关病史）提供一种皮肤病的鉴别诊断方法，该方法能够区分约占初级医疗保健中皮肤病总数量 80％的 26 种皮肤病，其准确度已被证明与皮肤科医生相当，能够明显增强普通医生的诊断精度。

Sep, 2019

本文介绍了应用 ISDL 多类智能皮肤诊断框架，利用 58,457 张皮肤图像和 10,857 张未标记的样本进行了可解释性和失衡半监督学习的第一项研究。我们的 ISDL 通过自我平衡训练实现，提高了少数类别的伪标注样本在每次迭代中的概率，进而推动了无标签样本的利用解决类别不平衡问题，实现了多标签皮肤疾病分类的 0.979 的准确率、0.975 的敏感性、0.973 的特异性、0.974 的宏平均 F1 分数和 0.999 的接收者操作特征曲线下面积（AUC）。结合 Shapley Additive Explanation（SHAP）方法，解释了深度学习模型的预测，这与临床诊断一致。我们还提出了一种采样分布优化策略，使用 ISDLplus 可以更有效地选择伪标注样本。此外，该研究有望缓解对专业医生所提出的压力，并帮助解决农村地区医生短缺的实际问题。

Nov, 2022

本研究探讨了一种基于深度神经网络的集成方法，用于从皮肤镜图像中自动识别皮肤疾病，其算法被应用于 ISIC 2018 挑战数据集（皮肤病变分析，以期达到黑色素瘤检测的目的）。

Jul, 2018

该篇论文通过使用 EdgeMixup 数据预处理算法实现了对深度学习模型在诊断皮肤病方面存在的模型偏差进行纠正，并对 Lyme，Tinea Corporis 和 Herpes Zoster 等病变诊断模型的性能进行了比较和分析，其中 EdgeMixup 在减少光之间和暗之间皮肤样本分类准确率差距方面显示出显著的表现优势。

Feb, 2022

该研究使用了一个经过训练的神经网络，通过激活向量概念来介绍了深度学习的医学图像分类器，以验证模型学习和利用类似于皮肤科医师所描述和使用的疾病相关概念，并且进一步开发 CAV 的神经网络。

May, 2020

使用深度学习技术来检测红皮病 (Erythema Migrans) 皮肤病变，这是莱姆病的最常见早期症状之一，同时使用患者数据计算概率分数来协助深度学习模型进行诊断，通过概率模型的验证，可以利用形式概念分析和决策树的方法，使基于图像的深度学习莱姆病预扫描仪更加健壮。

Aug, 2022

设计了一个混合模型，结合了支持向量机和深度神经网络，使用一个包含 32 种视网膜疾病类型的新临床视网膜标签库 EyeNet，实现了对视网膜疾病的 89.73% 的自动临床诊断准确率，并且该模型的性能与专业的眼科医生的水平相当。

Jun, 2018

通过深度学习模型，使用计算能力和计算机视觉的进步，已经在诊断头皮相关疾病方面取得了进展，但仍有广阔的改进空间。

Aug, 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

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