本研究解决了现有黑色素瘤检测工具未能充分整合多种数据集的问题。通过结合公开可用的数据集，我们提高了数据多样性，采用不确定性量化技术校准多个分类器，显著降低误诊率，实验证明准确率从93.2%提升至97.8%，误诊减少超过40.5%。

通过引入支持 11 个数据集和 24 种先进深度学习架构的统一黑素瘤分类方法，该研究建立了一个可比较 1,296 个实验的公平对比，并生成一个可在 Web 上部署的轻量级模型（称为 Mela-D）以及减少参数 24 倍以提高 33 倍运行速度，并在之前未见过的图像上获得与 ResNet50 相似的 88.8% 的准确率，从而实现在消费级硬件上高效准确地在实际环境中检测黑素瘤。

黑色素瘤是最严重的皮肤癌症之一，研究发现现有的皮损图像诊断模型对黑人肌肤普适性差，需要包括黑人皮损数据集以改善诊断准确性。

介绍了GDN图像分类模型，用于识别基底细胞癌和黑色素瘤两种皮肤癌症，通过堆叠网络和逻辑回归模型提高准确性。