加拿大麦克马斯特大学从事该名目标古板深造专家Eman Rezk说：“拥有黑皮肤的着实图像是终究的经管规划。在我们拥有这些数据从前，我们需求找到一种编制来放大差距。”

但在该范畴事变的别的专家耽心，运用解析图像兴许会引入他们自身的成就。斯坦福大学皮肤病学临床学者Roxana Daneshjou说，重点该当是在现有数据库中增加更多差别的着实图像。她说：“创立解析数据听起来比做坚苦的变瞎搅创立一个多样化的数据集更苟且。”

如今研究人员直立的货物可以或许扫描皮疹和痣的图像，以弄清最兴许的成就范例。而后皮肤科医生可运用这些后果来协助他们举行诊断。但大大都货物是直立在图像数据库上的，这些数据库要么不蕴含不少深色皮肤上的病症实例，要么没有对付它们所蕴含的肤色范畴的杰出信息。这使得研究小组很难信赖一个货物在深色皮肤上会有同样的正确性。

这就是为何Rezk和团队转向了解析图像。该名目有四个次要阶段。该团队已经阐发了可用的图像集，以相识深色皮肤色彩的代表性怎么样起头无余。它还开发了一集团工智能顺序，运用浅色皮肤上的皮肤状况的图像来孕育发生深色皮肤上的这些状况的图像，并验证了模型给他们的图像。“由于人工智能和深度深造的提高，我们兴许运用现有的赤色扫描图像来生成差别肤色的高品格解析图像，”Rezk说。

接上去，该团队将把深色皮肤的解析图像与浅色皮肤的着实图像联结起来，创立一个可以或许检测皮肤癌的顺序。Rezk说，它将接续搜查图像数据库，灯光音响租赁以找就任何新的、着实的深色皮肤状况的图片，他们可以或许将其增加到未来的模型中。

该团队着实不是第一个创立解析皮肤图像的团队--蕴含Google Health研究人员在内的一个小组在2019年揭橥了一篇论文，形貌了生成这些图像的编制，而且它可以或许创立差别肤色的图像。(Google对皮肤病学人工智能感兴致，并在去年春季颁布揭晓了一个可以或许识别皮肤状况的货物）。

Rezk拆散成图像是一种百年大计，直到有更多对付深色皮肤状况的着实图片可用。不过，Daneshjou对运用解析图像默示耽忧，即就是作为一个暂且经管规划。研究团队将不能不仔细搜查人工智能生成的图像是否会有任何人们没法用肉眼看到的平日的奇异个性。实践上，这类范例的个性兴许会扭曲人工智能顺序的后果。确认解析图像与模型中的着实图像同样好用的仅有编制是将它们与着实图像举行相比--着实图像是供不应求的。她说：“而后回到这样一个现实：为何不尽力查验测验获取更多的着实图像？”

Daneshjou说，要是一个诊断模型是基于一个小组的解析图像和另外一个小组的着实图像--即就是姑且的--那也是一个成就。它兴许会导致模型在差别的肤色上有差别的表现。

她说，对解析数据的倚重也兴许令人们不太兴许推动着实、多样化的图像。她默示：“要是你要这么做，你真的会延续做这项事变吗？我实践长停留看到更多的人在获取着实的多样化数据方面干事变，而不是试图做这类变通。”