该研究开发了一种人工智能决策支持工具，通过使用一种先进的目标检测算法，从患者图像中识别和提取所有皮肤病变，进而帮助皮肤科医生鉴别丑小鸭症状（UD），该工具的临床验证研究表明，辅助 AI 后，皮肤科医生的信心提高，与 AI 识别的 UD 的一致性得到改善。

Nov, 2023

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

本文提出了困扰全球 30 亿人的皮肤科医疗问题，探讨了如何在多样化皮肤色调和非常见病例的图像中应用人工智能技术，并发现当前的皮肤科 AI 算法存在严重的算法偏差，导致对较暗的肤色和非常见疾病的正确率远低于轻皮肤色调和常见疾病，并进一步探讨了训练皮肤科 AI 模型所使用的基于视觉的人工标签的缺陷与局限性。

Mar, 2022

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

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

2020 SIIM-ISIC Melanoma Classification challenge dataset was developed to provide patient-level contextual information for dermatologists’ holistic judgment on melanoma, containing 33,126 dermoscopic images and 584 confirmed melanomas among 2,056 patients.

Aug, 2020

利用数字图像处理和机器学习技术，通过对临床图像的分割和分类，实现早期检测黑色素瘤疾病，从而无需进行昂贵且无必要的切除手术。

Jan, 2016