通过与皮肤科医生在一个具有多个不同医院和摄像机配置、罕见黑素瘤亚型和特殊解剖部位的异质测试集上进行比较，我们评估了 “全数据扩展”（ADAE）算法在黑素瘤检测中的诊断准确性，并提高了算法的泛化能力。与皮肤科医生相比，AI 在异质数据集上表现出更高的平衡准确度和敏感度，但牺牲了特异性。因此，AI 在诊断复杂情况时可能有潜力支持皮肤科医生。

Jan, 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

本研究提出了一种利用自监督机器学习自动检测异常皮损的方法，通过测量 L2 距离来识别丑小鸭痣。该方法在测试集中实现了 72.1% 的敏感度和 94.2% 的诊断准确度，具有较高的应用潜力。

May, 2021

本文介绍了一种结合深度学习和机器学习的系统，通过分割皮肤病变区域及其周围组织进行黑色素瘤检测，使用公开数据集验证，相比于专家医生的平均准确率高达 76%。

Oct, 2016

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

本研究介绍了基于深度学习的黑色素瘤检测系统，包括数据净化和增强工具，通过去除图像的遮挡和用生成对抗网络合成图像来增加数据的多样性。实验证明，该系统相比其他方法表现更为优异。

Feb, 2019

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

该研究开发了一个基于智能手机拍摄的脂肪瘤皮肤病变图像的计算机辅助诊断系统，通过提取图像特征和病人背景信息来提高皮肤病变诊断的准确性，在实验中与专家的判断相当。

Jan, 2022

通过图像分析开发深度学习模型诊断皮肤病变的激增值得注意，然而它们在临床黑脸挑战方面存在限制：限定的诊断输出数量、对罕见皮肤病变缺乏实际世界测试、无法检测越界图像以及过度依赖显微镜图像。为了解决这些问题，我们提出了一种全能的 HOT 模型（Hierarchical-Out of Distribution-Clinical Triage），对于临床图像，我们的模型生成三个输出：层次预测、越界图像警报以及在临床图像不足以进行诊断时对显微镜图像的推荐。当进行推荐时，它将同时整合临床和显微镜图像以进行最终诊断。针对代表性的皮肤病变数据集进行的大量实验证明了我们框架内每个组件的有效性和协同作用。我们多功能的模型为病变诊断提供有价值的决策支持，并为医学 AI 应用设定了一个有前景的先例。

Nov, 2023

本文针对自动黑素瘤筛查的研究现状进行了调查、分析和批评，并重新实施了一个基线技术并提出了两个新的技术。研究表明，基于当前的计算机视觉模型的简化流程比传统模型的性能更好，基于高级词袋的模型的 AUC 为 84.6％，基于深度神经网络的模型达到 89.3％，而基线（经典词袋）为 81.2％。我们还开始对我们的社区进行改进重复性的对话。

Apr, 2016