皮肤表层遗忘：黑色素瘤分类中的伪影与器械去偏

卷积神经网络（CNN）在从皮肤病变图像分类黑色素瘤方面已展现出 dermatologist 级别的性能，但由于训练数据中存在的偏置导致的预测异常，是在广泛部署前需要解决的问题。在这项工作中，我们使用两种领先的偏置遗忘（bias unlearning）技术，从自动化黑色素瘤分类流程中稳健地去除偏置与虚假变异。我们表明，先前研究中提出的外科标记和标尺引入的偏置可以通过这些偏置去除方法得到合理缓解。我们还展示了遗忘与捕获病变图像所用成像器械相关的虚假变异所带来的泛化益处。我们的实验结果证明，上述每种偏置的影响均被显著降低，且不同的去偏技术在各自擅长的任务上表现优异。