本研究关注如何在不同皮肤颜色的情况下，训练深度神经网络模型对临床皮肤病例进行分类，发现由 Fitzpatrick 皮肤类型标签进行数据注释所训练的深度神经网络模型对相似肤色的图像分类的准确度更高，并通过对比人工标记的 Fitzpatrick 皮肤类型标签和算法判定的肤色类型来进一步评价该深度神经网络模型。

Apr, 2021

开发了由皮肤科医生密集注释的皮肤病 数据库 SkinCon， 其中包括3230张皮肤病图像， 使用48个临床概念的概念元标签进行注释， 为AI皮肤病模型的错误调试提供了潜在应用。

Feb, 2023

本文介绍了一种基于视觉和大型语言模型的皮肤科诊断系统 SkinGPT，可以自动诊断皮肤病的特征和类别，并提供治疗建议，实现了本地部署和用户隐私保护。

Apr, 2023

本研究提出了一种名为DermSynth3D的新型框架，它将皮肤病模式与人类主体的 3D 网格相融合，并使用可微分渲染器从不同的摄像机视点在各种背景场景下生成 2D 图像。DermSynth3D可以为各种皮肤病学任务创建自定义数据集，该数据集在训练深度学习模型时表现良好。

May, 2023

开发了一种名为MINT（模型交互）的包装器方法，能够自动确定在每个步骤中最有价值的信息，为皮肤病预测模型提供多个图像和一组可选的元数据问题，证明了MINT在减少信息输入、保持预测性能以及模拟临床工作流程决策过程方面的效果。

Jan, 2024

通过结合机器学习算法、分类器、分割算法和最新的大型语言模型，本文描述、实现和评估了一种基于人工智能的系统和方法，旨在辅助皮肤病变和其他皮肤状况的诊断过程，并通过综合方法全面解决皮肤病理诊断的问题。该方法整合了大型语言模型、基于变形器的视觉模型和复杂的机器学习工具，通过使用公开可用的皮肤病例和相关图像，通过交叉模型验证技术和自然语言处理工具评估了提出的方法。我们实现的系统在上下文理解和诊断准确性两个方面均获得了约为0.87的加权得分，证明了我们方法的有效性。该方法预期在发展下一代远程皮肤科咨询应用中发挥重要作用，增强远程会诊能力和卫生保健服务的可及性，特别是在服务不足的地区。

Mar, 2024

通过扩展视觉语言模型技术，本文提出了一种名为SkinGEN的诊断生成框架，通过使用稳定扩散 (SD) 方法从视觉语言模型的诊断结果生成参考演示，从而增强用户的视觉可解释性。实验证明，SkinGEN显著改善了用户对视觉语言模型预测的理解，增加了对诊断过程的信任，为更加透明和用户中心的视觉语言模型应用在皮肤科学及其他领域铺平了道路。

Apr, 2024

本研究针对皮肤病诊断中不同肤色间的信息差距问题，提出了一种结合迁移学习和领域适应的新方法。通过利用多种来源的预训练模型，并在多样皮肤影像数据集上进行评估，研究显示该方法能够有效提升皮肤疾病预测的准确性和包容性，特别是对暗肤色皮肤病的表现。主要发现是，Med-ViT模型表现最佳，展现了更全面的特征表示能力。

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

本研究解决了数字皮肤病学中缺乏多样化高质量标注数据的问题。通过使用自监督学习技术，我们在超过240,000张皮肤病学图像的数据集上预训练特定领域的基础模型，并展示其在资源有限的临床环境中更适用的性能。研究表明，这些模型不仅超越了通用模型，其在临床相关诊断任务上的表现甚至接近50倍大的模型。

Nov, 2024