该篇论文通过使用 EdgeMixup 数据预处理算法实现了对深度学习模型在诊断皮肤病方面存在的模型偏差进行纠正，并对 Lyme，Tinea Corporis 和 Herpes Zoster 等病变诊断模型的性能进行了比较和分析，其中 EdgeMixup 在减少光之间和暗之间皮肤样本分类准确率差距方面显示出显著的表现优势。

Feb, 2022

提出一种名为FairPrune的深度学习方法，在不降低模型精度的情况下，通过剪枝来降低敏感群体和非敏感群体之间的分类差距，从而实现公平的医学图像分类。

Mar, 2022

本论文提出了一种基于CIRCLe的深度表示学习算法，通过添加正则化损失函数实现在皮肤类型不同的图像表现出相似的潜在表示，从而提高皮损分类的公平性，并在16k+张图像上进行了评估和消融研究，证明了其在使用分类准确性，对浅色与深色人群的平等机会差异和标准化准确性范围（一种新的公平性评估方法）上优于现有技术水平的表现。

Aug, 2022

通过公正、高效和多样化的基于扩散的皮损分割和恶性分类方法，实现了对多种皮肤黑色素疾病的准确识别和分类，并且通过线性示踪技术在多种皮肤色调和罕见疾病情况下表现出最新技术水平，大大提高了恶性分类的准确性。

Jul, 2023

该研究提出了一种轻量级的皮肤病变检测流程，应对类别分布不平衡和一些病变的微妙或非典型表现的挑战。该流程基于一种轻量级模型，利用幽灵特征和DFC注意力机制减少计算复杂性同时保持高性能。通过合成少数类过采样技术和各种图像增强技术来解决数据集中的类别不平衡问题。模型还采用基于知识的损失加权技术，在类别级别和实例级别对损失函数赋予不同的权重，以帮助模型关注少数类别和具有挑战性的样本。该模型在检测和分类不同的皮肤病变方面取得了92.4%的准确率，84.2%的精确度，86.9%的召回率和85.4%的F1得分，尤其在识别良性角化病样病变（BKL）和痣（NV）方面表现出色。尽管具有卓越的性能，但该模型的计算成本远低于一些准确度较低的模型，使其成为实际应用中准确度和效率都至关重要的最佳解决方案。

Aug, 2023

利用潜在扩散模型生成皮肤病图像的研究表明，通过合成数据训练模型可以在数据有限的情况下提高性能，但合成数据与真实数据相比仍然有较小的性能增益，因此收集多样的真实数据仍是提升医疗人工智能算法的重要步骤。

Aug, 2023

研究探讨了通过稳定扩散模型生成的皮肤镜合成数据的利用，作为增强机器学习模型训练鲁棒性的策略。实验结果表明，通过稳定扩散模型生成的合成数据有助于提高卷积神经网络和视觉转换器模型的鲁棒性和适应性，对于两个不同的真实世界皮肤病变数据集，其效果显著。

Jan, 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

本研究针对医学图像生成中的偏差问题，特别是在皮肤病检测中的种族和疾病类别不平衡。提出的FairSkin框架通过三级重采样机制，显著改善了生成图像的多样性和质量，从而促进了临床环境中公平的皮肤病检测。研究结果有助于降低健康差异，提升诊断准确性。

Oct, 2024

本研究解决了当前医学图像生成领域中的种族偏见问题，尤其是在皮肤疾病检测中的表现。作者提出了一种名为FairSkin的新型扩散模型，通过三层重抽样机制减轻不同肤色之间的偏差，从而提升生成图像的多样性和质量。这一方法的显著发现是，它在临床环境中实现了更公平的皮肤疾病检测，为减少医疗差异做出了贡献。

Oct, 2024