皮膚がん検出は長年にわたり深層学習の重要な応用例となっていますが、その評価ではしばしばテスト画像が評価される文脈が軽視されてきました。従来のメラノーマ分類器は、テスト環境が訓練に使用された構造化された画像と同等であると仮定しています。本論文ではこの考え方を問いかけ、専門的な皮膚科において重要な属性であるほくろの大きさが自動メラノーマ検出で誤解を招く可能性があることを主張します。悪性メラノーマは良性メラノーマよりも大きい傾向がありますが、画像の文脈的なスケーリングが不可能な場合、大きさのみに依存することは信頼性が低く、甚至危害を及ぼす可能性があります。この問題に対処するために、本実装では過学習を防ぎ、メラノーマ検出アプリケーションの実際の使用状況をシミュレートするため的各种データ拡張手順を行うカスタムモデルを提案します。異なる形式のデータ拡張を使用した複数のカスタムモデルが実装され、ほくろ分類器の最も重要な特徴を強調しています。これらの実装は、このようなアプリケーションを展開する際にユーザーの予測不能性を考えることが重要であることを示しています。また、データを手動で変更することによるデータ損失や偏った結論につながる可能性があることに注意が必要であることが認められています。さらに、データ拡張が皮膚科学界および深層学習コミュニティにおいて持つ重要性についても考察されています。