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

应用扩散模型结合病灶特定的视觉和文本提示生成皮肤镜检测图像，相对于传统生成模型在图像质量和皮损分割性能上表现更优，SSIM 图像质量指标提高 9%，Dice 系数超过先前方法 5% 以上。

Oct, 2023

使用生成对抗网络进行皮肤病变分析的数据增强试验仅在分布不同的测试集上表现良好，在数据匿名化方面也只在分布不同的测试集上表现良好。因此，对于医学应用需要谨慎使用此技术。

Apr, 2021

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

人工智能基于图像分析在诊断组织病理学方面，尤其是癌症诊断方面具有巨大潜力。为了开发监督式人工智能方法，需要大规模的注释数据集。本研究提出了一种从自动提取的图像特征中构建结构化文本提示的方法。通过在提示中引入图像特征而不仅仅是正常和癌症标签，我们改善了 Fréchet Inception Distance (FID) 的性能，从 178.8 提升到 90.2。我们还表明，病理学家难以检测到合成图像，敏感性 / 特异性的中位数为 0.55/0.55。最后，我们展示了合成数据有效地训练人工智能模型。

Dec, 2023

通过整合智能手机拍摄的图像与临床和人口统计信息，将多模态方法引入皮肤病变分类的诊断过程中，通过辅助任务的超分辨率图像预测组成，提高特征提取和类别区分的能力，并展示了在资源匮乏的医疗环境中应用此方法的有效性。

Feb, 2024

本文探讨了 13 种数据增强下三种卷积神经网络（Inception-v4、ResNet 和 DenseNet）对黑色素瘤分类的影响，结果表明数据增强可以在训练和测试中都提高性能，且可以比获得新图像更有效。最佳情况下，不借助外部数据的黑色素瘤分类 AUC 为 0.882，超过了使用附加数据进行训练的 ISIC Challenge 2017 的最佳结果（0.874）。

Sep, 2018

我们提出了一种测试时间图像适应方法，通过同时更新和预测测试图像来提高模型在测试数据上的准确性，通过扩散模型将目标测试图像反投影到源域，设计结构指导模块通过低通滤波添加细化操作，用于正则化扩散以保留结构信息，并引入自整合方案自动调整对适应和未适应输入的依赖关系，增强适应鲁棒性。在我们构建的 ISIC2019-C 和 Dermnet-C 损坏鲁棒性评估基准上进行的大量实验表明，我们的方法在各种损坏、体系结构和数据区域上使分类器更加鲁棒。我们的数据集和代码将在 https://github.com/minghu0830/Skin-TTA_Diffusion 上提供。

May, 2024

通过扩散步骤，DiffAug 引入了一种新颖且高效的基于扩散的数据增强技术，以确保增强数据和原始数据在光滑的潜在空间中共享，从而通过无需标签、外部数据 / 模型或先前知识的约束来提高图像分类和聚类准确性，可适用于视觉和生物领域。

Sep, 2023

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