本研究分析了使用RGB图像进行皮肤病变分类时，训练数据与实际应用之间的差距，评估了皮肤镜图像与临床样本的差异，探讨了数据变异对模型表现的影响，并提出结合不同数据分布的方法以提高模型准确性。

本文探讨了元学习和少样本学习在皮肤镜图像分类中的应用，提出了一种基于对抗训练和迁移学习的两阶段框架，显著提高了分类性能。研究表明，合成数据和迁移学习的结合可以增强模型的鲁棒性，适应样本稀缺，最终实现高准确度的皮肤病变分类。

该文综述扩散模型在医学图像合成中的应用：结合病灶视觉与文本提示生成皮肤镜图像，质量与分割性能优于传统方法；利用图像特征构建文本提示以提升病理图像合成质量；DermSynth3D融合皮肤病模式与3D人体网格生成多视角图像；HistoDiffusion通过预训练与微调合成病理图像，使分类准确率提升6.4%；合成数据还可用于训练目标检测、生成腹腔镜图像，并生成伪标签以减少像素级标注需求。