DERM12345：一个包含 38 个子类别的大型多源皮肤镜病变数据集
内容提要
本文总结了BCN20000、HAM10000和SIIM-ISIC等多个皮肤病变数据集的开发与应用，旨在提升皮肤癌的自动分类和诊断能力。研究强调了算法在不同种族和病变类型中的表现，以及在资源匮乏环境中的应用潜力。
延伸解读
数据集规模与多样性
文章汇总了多个大型皮肤镜数据集：BCN20000包含19424张图像，HAM10000有10015张，SIIM-ISIC则提供33126张图像和584例黑色素瘤。这些数据集覆盖不同种族、获取模式和病变类型，包括指甲、黏膜等难诊断部位，为算法训练提供了丰富的多样性，有助于提升模型的泛化能力。
算法性能与泛化挑战
实验表明，当前皮肤图像智能分析仍存在较高的诊断错误率和算法泛化差异。这意味着模型在不同人群或病变类型上的表现可能不稳定，对于监管机构而言，这是评估机器学习工具临床适用性的重要考量。文章强调需要更多样化的数据来减少偏差。
资源匮乏环境的应用
通过整合智能手机图像与临床信息，多模态方法能提高特征提取和类别区分能力，并在资源匮乏的医疗环境中展示出有效性。这为皮肤癌筛查提供了潜在的低成本解决方案，但需注意其性能可能受图像质量和设备差异的影响。
挑战赛推动标准化
ISIC等组织举办的皮肤图像分析挑战赛，如2019年挑战，吸引了79组参赛者，成为黑色素瘤诊断领域最大规模的标准化比较研究之一。这些挑战赛通过划分分割、特征检测和分类等子任务，促进了算法研发和性能对比，有助于建立皮肤图像智能分析的新标准。
Q&A
BCN20000 数据集的主要目的是什么？
BCN20000 数据集旨在研究皮肤癌的非受限分类问题，特别是在难以诊断的部位。
HAM10000 数据集包含多少张皮肤镜图像？
HAM10000 数据集包含 10015 张皮肤镜图像。
SIIM-ISIC 数据集提供了什么样的背景信息？
SIIM-ISIC 数据集提供患者级别的背景信息，帮助皮肤科医生进行全面判断。
当前皮肤图像智能分析面临哪些挑战？
当前智能分析存在较高的诊断错误率和算法能力泛化差异问题。
SkinCAP 数据集的特点是什么？
SkinCAP 数据集由认证皮肤科医生进行详细医学描述和标题注释。
公共皮肤科图像分析挑战赛的目的是什么？
该挑战赛旨在支持自动诊断算法的研究与开发，促进皮肤癌的检测。
