本文介绍了我们参加ISIC 2017挑战赛中皮肤病变分析与黑色素瘤检测的提交成果，我们的方法为卷积神经网络框架下结合多种分区和分类方法进行自动诊断，使得临床医师的专业知识得以应用。

Mar, 2017

利用具有不同种族和不同获取模式的皮肤镜图像，通过不同的采集和清洗方法以及半自动工作流程和特别训练的神经网络，我们成立了HAM10000数据集，这个数据集由10015个用于学术机器学习目的的皮肤镜图像组成，覆盖养猪场多种重要诊断范畴，用于训练神经网络。

Mar, 2018

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

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

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

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

本研究针对皮肤病诊断中不同肤色间的信息差距问题，提出了一种结合迁移学习和领域适应的新方法。通过利用多种来源的预训练模型，并在多样皮肤影像数据集上进行评估，研究显示该方法能够有效提升皮肤疾病预测的准确性和包容性，特别是对暗肤色皮肤病的表现。主要发现是，Med-ViT模型表现最佳，展现了更全面的特征表示能力。

Sep, 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

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