一篇2017年的論文，A Novel Multi-task Deep Learning Model for Skin Lesion Segmentation and Classification，基於多工學習的面板病變分割與分類。

作者認為，多工學習模型通過利用任務之間的共性和差異來同時解決不同的任務。與單獨訓練單個模型相比，這可以提高特定任務模型的學習效率和潛在的預測準確性。在多工學習體系結構中，輸入的面板影象可以與描述病灶不同特徵的多個標籤相關聯。 然後，可以將這種多工技術用於病變的分割和病變類別的分類。即模型允許不同元件在不同屬性類別之間共享檢測到的特徵。

提出的多工架構如下：

輸入影象經過卷積層和池化層特徵提取後，通過三個分支的分類器，作三種不同的檢測。如分支一用於分割病變區域，分支二用於分辨分割區域是否屬於Melanoma病等。最後模型輸出切割的區域影象和對兩種病的預測概率。

實際應用中，作者採用GoogleNet作為面板病的分類，Unet作為影象的切割。右圖顯示了實驗中的實際輸入與輸出。

實驗結果表明，多工的架構比單個任務學習準確率更高。其中Jaccard Index是一種衡量影象切割精準度的手段。結果如下：