本研究探讨了自监督学习作为医学图像分类的预训练策略的有效性，使用领域特定的无标签医学图像进行自监督学习，并引入一种新颖的多实例对比学习(MICLe)方法，为医学图像分析中的皮肤病和胸部X光分类任务提供了更为准确的预测。

Jan, 2021

本文比较了三种自监督预训练模型和一个有监督的基线模型，在五个数据集上进行了皮肤病变的诊断。结果表明，自监督预训练模型可以在提高准确性和降低结果的变异性方面与有监督的基线模型相媲美，尤其在数据量少的情况下表现更加稳定和优秀。

Jun, 2021

本文评估了使用三种 Self-Supervised Pretraining 技术 (SimCLR、SwAV 和 DINO) 预训练的特征在医疗分类任务中的转移能力，并证明相对于监督预训练，自监督预训练模型产生了更丰富的嵌入，利于下游任务的线性评估和模型微调。此外，作者介绍了 Dynamic Visual Meta-Embedding (DVME) 作为一种端到端的迁移学习方法，并证明与单一预训练模型相比，使用 DVME 能显著提高所选任务的性能，并且可以推广到任何预训练模型的组合。

Aug, 2021

通过最大化不同视角下的镜检和临床图像之间的相似性，聚类分析生成模拟的伪多标签以及利用标签关系来改善多模态皮肤病变分类的自监督学习算法比其他现有自监督学习算法在七点皮肤病变数据集上获得了更好的性能。

Oct, 2023

通过结合具有高速和更高效计算能力的双重压缩注意力凝聚器（DC-AC）的自注意神经网络骨干架构，本文探讨了利用高效的自注意结构来检测皮肤病变图像中的皮肤癌，并介绍了一种专为皮肤癌检测而定制的深度神经网络设计。该模型作为全球开源倡议的一部分，致力于加速机器学习在医学界对抗癌症方面的发展。

Nov, 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

本研究解决了传统肿瘤检测方法需大量带标注数据的问题。通过比较监督学习、半监督学习和自监督学习三种学习环境，研究发现半监督学习在使用较少标注样本的情况下能够与监督学习效果相媲美，显示出其在癌症诊断中的潜在应用价值。

Aug, 2024

本研究针对癌症早期预测中对大量标注数据需求的问题，探索了监督学习、半监督学习和自监督学习三种学习环境的应用。研究发现，半监督学习在标签有限的情况下，能有效接近监督学习的结果，表明这种方法有望在癌症诊断中取代传统的标注依赖型监督学习。

Aug, 2024

本研究旨在评估两种深度学习模型在皮肤癌检测中的可靠性，特别关注它们的可解释性和公平性。研究发现，尽管模型在大部分皮肤病变类型中表现良好，但在光照皮肤和深色皮肤之间的假阳性和假阴性率上存在显著差异，提出的后处理策略有效改善了公平性，强调了对AI医疗模型在不同人群中进行严格评估的必要性。

Sep, 2024

本研究解决了皮肤癌早期检测的准确性问题，提出了一种基于深度学习的混合框架，实现良性与恶性皮肤病变的精确分类。通过结合预训练模型InceptionV3和DenseNet121的结果，我们的系统达到了92.27%的检测准确率，显著超越了现有模型，为皮肤癌的诊断提供了新的有力工具，有潜力挽救众多生命。

Oct, 2024