皮肤深度去学习：基于黑素瘤分类语境下的工件和工具去偏差化

ICMLSep, 2021

皮肤深度去学习：基于黑素瘤分类语境下的工件和工具去偏差化

Skin Deep Unlearning: Artefact and Instrument Debiasing in the Context of Melanoma Classification

Peter J. Bevan, Amir Atapour-Abarghouei

TL;DR本文研究了卷积神经网络在皮肤病变图像鉴别中的应用，针对现有训练数据中存在的偏见问题，通过两种偏置解除技术对自动黑素瘤分类流水线进行了优化，并表明这些方法可以合理减轻手术标记和前期研究中出现的误差。实验证明，针对一些偏见使用不同的去偏置技术有着明显的效果改善，同时提高了黑素瘤图像分类算法的泛化能力。

Abstract

convolutional neural networks have demonstrated dermatologist-level performance in the classification of melanoma from skin lesion images, but prediction irregularities due to biases seen within the training data are an issue that should be addressed before widespread deployment is pos

convolutional neural networks automated melanoma classification bias removal techniques surgical markings spurious variation

发现论文，激发创造

(去) 构建皮肤病变数据集上的偏差

本文针对现有的皮肤病例资料集中的偏见问题，提出一系列实验，发现机器学习模型在没有临床有意义信息的情况下可以正确分类皮肤病变图像，这强烈暗示了伪相关性引导模型。通过本次实验，揭示了模型在小型数据集中训练和评估的局限性，为未来的模型指导提供了参考。

Apr, 2019

消除皮肤损伤数据集和模型的偏见？不那么快

本论文解决了皮肤病分类模型数据偏差问题，通过综合分析 7 种视觉损伤，防止模型学习虚假相关性并提出了数据集来测试模型的偏差，但发现尽管结果有希望，目前的去偏方法还不足以解决皮肤病模型的偏差问题。

Apr, 2020

基于物品的皮肤病变模型领域泛化

提出了一种基于标注伪影的流程，用于深度学习在皮肤病变分析中的领域适应性评估与去偏倚。在具有不同程度偏差的数据集上进行建模，并利用基于皮肤病变的数据集进行域通用化。在测试时去除推理图像中的伪特征，实验表明该流程在有偏数据集的表现指标有所提高，且对于伪影的忽略具有较好的效果，但在外部数据集上的表现较差，尤其需要对于皮肤病变分析的公平性更加关注。

Aug, 2022

公正检测黑色素瘤：肤色检测和去偏见技术用于皮损分类

本研究提出了一种高效有效的算法，可以自动标记皮肤损伤图像的肤色，并将其用于注释基准 ISIC 数据集以减少皮肤色调偏差。实验结果证明，皮肤色调检测算法优于现有解决方案，取消偏见可以提高普适性，并减少轻重肤色间的黑色素瘤检测性能差异。

Feb, 2022

利用对抗训练和深度迁移学习进行黑色素瘤检测

本文介绍了一种基于对抗训练和迁移学习的皮肤病变图像自动分类的两阶段框架。通过学习数据分布的内类别映射和利用图像翻译技术，我们能够在缺乏表征病变的样本中生成人工制造的少数不平衡训练样本。实验证明，所提出的方法优于几种标准的基线方法，并具备能够达到皮肤科医师专家水平的基于上下文的病变评估方法。

Apr, 2020

皮肤科镜检中暗角伪影的去除：敌还是友？

该研究探讨了皮肤癌分类的重要障碍，即伴随临床使用的皮肤显微镜及其引起的暗角伪影，通过构建新的基于人工合成的模拟暗角伪影的数据集，说明在模型训练阶段，模拟暗角伪影的引入对减少误诊率、提高诊断质量的积极效应，为皮肤病变图像研究提供了新的参考。

Jun, 2023

深度学习在皮肤镜皮肤病分类中的形状偏差再探讨

本文通过对不同皮肤病例数据集的分析，指出了在皮肤病图像分类方面，深层模型中的 shape-bias 标准并不一定适用。实验结果表明，皮肤病图像的分类并非基于个别特征，而是需要考虑诸多特征的组合。因此，不使用 shape-bias 标准有时候甚至可以提高皮肤病分类器的性能。

Jun, 2022

通过重写模型决策实现可信的皮肤癌诊断

本文研究了深度神经网络在皮肤癌诊断中可能存在的混淆因素问题，并提出了人类介入的模型训练框架，在黑盒模型解释性概念空间中解释了复杂特征表示，并对数据集进行了清洗，最终提高了模型的性能与可靠性。

Mar, 2023

基于偏倚和去偏倚的方法实现公平知识传递，用于公平皮肤分析

基于深度学习模型的皮肤疾病诊断中，为了解决公平性问题且不损害预测准确性，我们提出了一种基于两个偏倚的教师模型的方法，通过权重损失函数进行偏倚与去偏倚的训练，提高了模型的准确度和公平性。

May, 2024

提高黑色素瘤诊断可信度：强制卷积网络从病变中学习

本研究提出了一种基于 EfficientNet 和椭圆分割模型的黑素瘤检测方法，测试结果表明该方法可显著提高诊断准确率和信心水平。

May, 2023