我们提出了一个联邦主动学习（FedAL）框架，通过周期性和交互式地执行主动学习来减少标注数据量、保护患者隐私，并保持联邦学习的性能。在真实的皮肤镜数据集上验证了我们的框架，在只使用50％的样本的情况下，取得了与全数据联邦学习相媲美的性能。

通过镜检和临床图像的相似性，利用标签关系改善多模态皮肤病变分类的自监督学习算法在皮肤病变数据集上表现更好。

深度神经网络在皮肤病变分类方面的潜力已被证明不亚于皮肤科医生的诊断。研究发现，无监督领域自适应方法能提高黑素瘤-痣任务的性能，但小样本或非平衡数据集会影响结果的一致性。