本研究提出了一种基于全卷积神经网络的方法，将临床显微镜图像中的皮肤病变区域分割出来，利用该方法可以有效地探讨临床皮肤显微镜特征识别问题，并在ISIC-ISBI Part 2比赛中取得了显著的优异表现。

Mar, 2017

本文介绍了我们针对ISIC 2019皮肤病变分类挑战的方法，通过包括不在训练集中的皮肤病变类型的外部数据，使用丰富多样的数据集解决多类皮肤病变分类中的类别不平衡问题，并采用不同的分辨率和裁剪策略，以及额外的神经网络融合等技术实现了一整套模型，最终在两个任务上取得了最好的效果。

Oct, 2019

本文研究了使用不同输入图像尺寸 fine-tuned CNNs 进行皮肤病变分类的性能，提出了一种基于三级集成策略的新型融合方法，取得了比现有算法更好的分类结果。

Jun, 2020

本研究利用transformer-based架构实现了单阶段多模态数据融合，并在图像与病患数据丰富的环境下击败了其他单模态和多模态深度学习架构，同时，所选架构还提供了本地可解释性支持。

Apr, 2023

本文提出了一种基于图卷积网络和集成学习的方法，用于皮肤病变分析中的多模态数据的多标签分类，该方法可以成功地利用先前的共现关系，可在不同数据集上提高分类性能并取得最新成果。

Jul, 2023

深度神经网络在皮肤病变分类方面的潜力已经被证明不亚于甚至优于皮肤科医生的诊断。然而，当测试数据与训练数据有显著差异时（即领域转移），这些模型的性能通常会下降。本研究深入分析了八种不同的无监督领域自适应方法，以分析它们在皮肤镜数据集的泛化能力上的有效性。研究结果表明，这八种领域自适应方法均能改善大多数分析数据集的AUPRC，指示无监督领域自适应通常可以提高二分类黑素瘤-痣的任务的性能。然而，小样本或非平衡数据集会降低结果的一致性，因为这些因素会对方法的性能产生影响。

Oct, 2023

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

本文设计了一种新的融合方法，从特征选择和特征融合的角度，将皮肤癌分类的皮肤镜图像或临床图像与患者元数据相结合，与其他融合方法相比，在三个公共数据集上改善了分类结果，并表现出更好的性能。

Dec, 2023

提出了一种新颖的非对称多模融合方法以实现高效的多标签皮肤病变分类，通过验证非对称融合结构和非对称注意力模块的有效性，实现了在参数节省和性能优越方面的突破。

Jul, 2024