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。
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
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
通过研究肤色对皮肤疾病检测性能的影响以及肤色差异与病变区域之间的色差对恶性检测的作用，我们提出了一种量化色差分数的方法并应用于多种皮肤疾病数据集。观察到高和低色差差异组之间的性能差距，这一差异在各种图像分类模型中一致存在，从而验证了我们的假设。此外，我们还研究了肤色和色差效应之间的相互作用，并提出色差可能是肤色性能偏差的另一个原因。我们的工作为改善皮肤疾病检测提供了一个补充角度。
Jan, 2024
通过有效的扩散增强框架，利用多数群体的丰富信息来改善少数群体的诊断结果，对于皮肤癌等疾病的医学成像分析具有实际价值。
Jun, 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。
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