本文介绍了一种基于深度学习的公平皮肤病诊断框架 FairDisCo，通过对比学习和删除敏感属性等方法，有效解决了现有模型对较暗皮肤图像的低准确度问题。在两个新的皮肤数据集 Fitzpatrick17k 和 Diverse Dermatology Images 上的评估表明，FairDisCo 在公平性和性能方面的表现均优于其他三种公平性方法。

Aug, 2022

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

通过在皮肤病分类图像中考虑皮肤色调差异来解决公平性问题是至关重要的，然而公共数据集中缺乏皮肤色调标签导致无法构建公平的分类器。目前，这些皮肤色调标签的估计是在独立研究中使用个体类型角度（ITA）进行公正性分析之前进行的。本文回顾并比较了四种基于 ITA 的皮肤色调分类方法在 ISIC18 数据集上的应用，该数据集是评估皮肤癌分类公平性的常用基准。我们的分析揭示了先前发表的研究中存在较大分歧，从而展示了基于 ITA 的皮肤色调估计方法存在的风险。此外，我们调查了这些方法之间差异如此之大的原因，并发现 ISIC18 数据集中缺乏多样性，限制了其作为公平性分析测试平台的使用。最后，我们建议进一步研究鲁棒的 ITA 估计方法和带有肤色注释的多样性数据集采集，以促进对皮肤科人工智能工具的公平评估。我们的代码可在此 https URL 访问。

Aug, 2023

本文介绍了我们用于分类 ISIC 2019 挑战数据集皮损 dermoscopic 照片的方法和技术，我们的方法旨在使用合奏深度神经网络及其一些强大的技术来处理不平衡数据集，以提高 CNN 模型性能。

Nov, 2019

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

本文提出了两种深度学习方法来解决皮损分割、皮损皮肤镜特征提取和皮损分类三个任务，实验结果在 ISIC 2017 测试集上表现出有前景的准确率

Mar, 2017

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

本文提出了基于深度学习和皮肤照明成像物理的深度语义分割框架，该方法结合了 RGB 图像和从不同光谱颜色的照明不变的灰度图像、阴影衰减图像等不同信息，应用于三个数据集并取得了 12.02%、4.30% 和 8.86% 的平均 Jaccard Index 提升。

Mar, 2020

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

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