SkinLex：用语言模型协调跨数据集皮肤临床概念并评估诊断效用

人工智能系统在数字皮肤病学中的临床集成在很大程度上依赖于人类的信任。临床可解释的视觉概念可以充当增强信任和可靠性的中间表示。然而，该领域的研究目前受到分散、异构数据集注释的限制。在这项工作中，我们介绍了 SkinLex，这是一个跨四个公共数据集（SkinCon、DermaCon-IN、MM-Skin 和 PASSION）的 48 种临床形态属性的协调数据集，总共 20,411 条记录。皮肤状况的监督九分区分类表明，将特征限制于特定视觉组（例如单独的形状或颜色）会降低诊断准确性。自举向后消除表明，48 个视觉概念集对于所检查数据集的算法九分区诊断具有一定程度的冗余。这表明对所选数据集的粗略诊断需要相对较小但多样化的临床概念组合，并激发进一步的研究以改进概念分类。通过减少基于概念的模型的输入、提高注释和建模的效率以及进一步增强可解释性，可以将结果转化为临床效益。代码和提示模板可在 https://github.com/Digital-Dermatology/SkinLex. 获取