本文研究了实现强健的皮肤病诊断的实用方法，并提出一种以皮损为病变类型标签的自动化诊断系统作为目标的方法，并应用卷积神经网络（CNNs）来实现疾病定向诊断和病变定向分类的分类器，并采用来自六个公开皮肤病学大全的75665个皮肤病图像来进行训练与测试，结果证明基于病变定向分类的分类器的效果优于疾病定向的分类器。

Dec, 2018

使用深度多任务学习（MTL）框架，结合图片的身体部位信息和 ImageNet 预训练模型，实现皮肤病变分类和身体部位分类的联合优化，结果表明该方法比独立单任务表现更为鲁棒。

Dec, 2018

本研究提出了一种新的基于补丁注意力机制的体系结构，可以为高分辨率图像提供全局上下文，在皮肤病变分类中优于其他基于补丁的方法，并提出了一种诊断引导的损失加权方法以应对类别不平衡问题。

May, 2019

本研究使用卷积神经网络和集成方法对两个皮肤病图片数据集进行分类。结果表明，使用目标检测技术可以提高某些皮肤病类别的分类准确性。

Nov, 2019

本文提出了一个新的多类预测框架，基于 ViT 和 ViTGAN，在使用可解释 AI 的情况下，对皮肤病变分类。该框架分四个阶段，引入了生成对抗网络来解决类不平衡问题，使用卷积神经网络实现分类，实验结果相较于现有框架有所改善。

Feb, 2023

深度学习诊断系统在标注训练样例充足时，已展示出在分类皮肤癌症状况方面的潜力。然而，皮损分析经常面临标注数据稀缺的问题，阻碍了准确可靠的诊断系统的开发。在本研究中，我们利用多个皮损数据集，并探讨了各种无监督领域自适应（UDA）方法在二元和多类别皮损分类中的可行性。特别是，我们评估了三种UDA训练方案：单一来源，综合来源和多来源。我们的实验结果表明，UDA在二元分类中效果显著，当减少不平衡时，进一步提高。在多类别任务中，其性能不太明显，并且需要解决不平衡问题以实现高于基准的准确性。通过我们的定量分析，我们发现多类别任务的测试误差与标签偏移强相关，而特征级UDA方法在处理不平衡数据集时存在局限性。最后，我们的研究揭示了UDA可以有效减少对少数群体的偏见，并促进公平，即使不明确使用面向公平的技术。

Jul, 2023

提出了一种名为DermImitFormer的多任务模型，通过模仿皮肤科医生的诊断程序和策略，解决了现有方法忽略皮肤疾病诊断所需基本领域知识的问题，并同时预测身体部位、皮损属性以及疾病本身，从而提高诊断准确性和可解释性。

Jul, 2023

该研究提出了一种通过卷积神经网络和机器学习方法，在面部图像中侦测瑕疵和皮肤损伤的模型，该方法具有简单的架构、快速和适用于图像处理，并避免了传统方法的复杂性。

Feb, 2024

本研究针对皮肤病变诊断中的准确性问题，提出了一种基于集成学习的新方法。通过利用多种深度学习模型与集成策略，开发了名为SkinNet的模型，大幅提高了诊断准确率，达到了0.867的准确率和0.96的AUC，显示出集成学习在皮肤病变分类中的重要潜力。

Sep, 2024

本研究旨在解决当前深度学习模型在皮肤病诊断和治疗中面对的复杂多模态需求的不足。我们提出的PanDerm模型，通过在超过200万张真实皮肤病图像上进行自监督学习，展现出在各项临床任务中的卓越表现，尤其在早期黑色素瘤检测和多类别皮肤癌诊断准确性方面均优于临床医生。这一成果不仅提升了皮肤病管理的可能性，还为其他医学领域的多模态基础模型开发提供了借鉴。

Oct, 2024