结合深度学习技术和迁移学习方法，本文提出了一种系统，用于对黑色素瘤皮肤损伤进行分类和诊断，达到相对较高的准确度，并且可在计算能力较弱的设备上进行预测。

Dec, 2023

皮肤癌是世界上最危险和最常见的癌症之一，本文使用深度卷积神经网络和迁移学习方法对皮肤病变进行自动分类，证明了在已有预训练神经网络的基础上的合理设计和应用可以显著提高病变检测的分类准确率。

Apr, 2024

皮肤病变（如痣）的不同特征对于恶性黑素瘤的监测具有重要意义，而 “丑小鸭痣” 概念指的是与周围其他病变有所区别的特征鲜明的痣。计算机辅助诊断（CAD）结合机器学习技术和各种患者分析方法，以提高诊断准确性并简化决策过程，尤其在皮肤癌诊断中能缓解专业人员短缺问题。机器学习和深度学习技术在黑色素瘤和可疑痣检测中具有广泛应用，并实现了与专家相当的结果。

Sep, 2023

应用了五种不同的预先训练的迁移学习方法对恶性和良性阶段的皮肤癌进行二分类检测，实验结果表明 ResNet-50 模型提供了 0.935 的准确率、0.86 的 F1 分数和 0.94 的精确度。

Jun, 2024

通过人工智能和图像分类技术，将肿瘤性皮肤病变进行分类识别为恶性或良性，以实现早期有效诊断。

May, 2023

黑色素瘤是皮肤癌症中最严重的一种，深度神经网络在临床护理和皮肤癌症诊断方面表现出巨大潜力，但现有研究主要依赖白人肤色的数据集，忽视了多样人群肤色的诊断结果。本研究评估了有监督和自监督模型在黑人手掌、脚底和指甲等黑人肌肤部位的皮损图像中的性能，并且利用 Fitzpatrick 皮肤色表确保对黑人肌肤的性能。结果显示这些模型的普适性差，表现良好的是对白人肌肤的皮损，缺乏多样化数据集的开发是不可接受的，深度神经网络在改善诊断方面有着巨大潜力，特别是对于接触有限的人群，但包括黑人皮损是必要的，以确保这些人群能够获得包容性技术的好处。

Sep, 2023

研究表明，知识转移对于深度学习 -- 图像分类任务中自动黑色素瘤筛查等任务的表现具有重要影响。而对于医学任务，深度学习对训练数据的渴求提出了挑战，通过从不同任务训练的模型中回收知识的转移学习策略可以缓解此类问题，然而这方面的系统性评估目前尚缺失，因此本文调查了转移的存在性、转移来源的任务以及深度模型的 fine-tuning 并测试了深度不同的模型性能，结果表明使用 fine-tuning 的 ImageNet 上预训练的深层模型可达到较好的性能，为两个皮肤病分类数据集实现了 80.7% 和 84.5% 的 AUC 值。

Mar, 2017

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

通过引入支持 11 个数据集和 24 种先进深度学习架构的统一黑素瘤分类方法，该研究建立了一个可比较 1,296 个实验的公平对比，并生成一个可在 Web 上部署的轻量级模型（称为 Mela-D）以及减少参数 24 倍以提高 33 倍运行速度，并在之前未见过的图像上获得与 ResNet50 相似的 88.8% 的准确率，从而实现在消费级硬件上高效准确地在实际环境中检测黑素瘤。

Mar, 2024

本研究运用深度学习模型通过计算机视觉系统对皮肤镜图像进行分析和诊断，以检测黑色素瘤和恶性皮肤癌，其中测试结果表明 PNASNet-5-Large 模型具有最佳的验证得分 0.76。

Jan, 2019