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

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。

Sep, 2021

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

该研究利用两个全因子实验，分析了深度学习模型在皮肤病变分析中的设计和评估方法，结果表明训练数据量、测试数据增强和输入分辨率对模型性能影响最大，而集成模型是一种成本效益高且可靠的替代方法。同时指出，推动皮肤病变分析研究需要积累更大的公共数据集，并要避免使用测试集中的特权信息。

Nov, 2017

通过利用人 - 机循环方法中的正（如病变区域）和负（如图像伪影）关键点，我们提出了一种名为 TTS（测试时选择）的方法，该方法可以在不重新训练的情况下有效地使模型避免利用伪影相关的关联，并具有较少的标注需求，从而解决了皮肤病变分析模型受到图像伪影的偏见影响的问题。我们展示了在 ISIC2019 数据集上的应用，演示了我们的模型是如何在现实世界中减轻偏见的。

Aug, 2023

使用生成对抗网络进行皮肤病变分析的数据增强试验仅在分布不同的测试集上表现良好，在数据匿名化方面也只在分布不同的测试集上表现良好。因此，对于医学应用需要谨慎使用此技术。

Apr, 2021

近期，人工智能算法在从临床照片中分类皮肤病方面取得了巨大进展。然而，我们对这些算法在现实环境下的鲁棒性了解甚少，而很多因素可能导致其普适性的丧失。通过理解和克服这些限制，我们可以开发出可以帮助在各种临床环境下诊断皮肤病的具有普适性的人工智能。在这项回顾性研究中，我们证明皮肤病分布的差异是人工智能算法在对来自先前未知来源的数据进行评估时产生错误的主要原因，与人口统计或图像捕捉模式无关。我们展示了一系列步骤来弥合这种普适性差距，需要越来越多关于新数据源的信息，从病症分布到以在训练期间较少接触到的数据为重点的训练数据。我们的研究结果还表明，与仅冻结嵌入模型的分类层进行微调相比，端到端微调的性能相当。根据所掌握的信息和资源，我们的方法可以为人工智能算法在新环境中的应用提供指导。

Feb, 2024

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

深度神经网络在皮肤病变分类方面的潜力已经被证明不亚于甚至优于皮肤科医生的诊断。然而，当测试数据与训练数据有显著差异时（即领域转移），这些模型的性能通常会下降。本研究深入分析了八种不同的无监督领域自适应方法，以分析它们在皮肤镜数据集的泛化能力上的有效性。研究结果表明，这八种领域自适应方法均能改善大多数分析数据集的 AUPRC，指示无监督领域自适应通常可以提高二分类黑素瘤 - 痣的任务的性能。然而，小样本或非平衡数据集会降低结果的一致性，因为这些因素会对方法的性能产生影响。

Oct, 2023

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