google以机器学习帮助未经皮肤科专业受训的家庭医学科医师（general practitioner，gp），提高皮肤疾病诊断能力，这套深度学习系统（deep learning system，dls）能对26种皮肤疾病，提供与皮肤科医生同准确度的诊断。
google提到，全世界有19亿人有皮肤疾病，但大部分的病例都由家庭医学科医师诊断，而研究显示，家庭医学科医师与皮肤科医生对皮肤状况的诊断准确度，存在明显的差距，家庭医学科医师的诊断准确率落在24％至70％间，而皮肤科医生的诊断准确率则在77％至96％。而这可能造成非最佳的转诊建议，进而延误治疗。
之前关于皮肤疾病的机器学习研究，通常集中于皮肤癌的早期筛检，特别关注皮肤的病变，判断其为恶性抑或是良性的皮肤癌，但google也指出，超过90％的皮肤疾病并非恶性，而解决这些常见的疾病，对于减轻全球皮肤疾病有极大的帮助。
google指出，通常临床案例的判定，并非一开始就能获得绝对的答案，医生会给出鉴别诊断（differential diagnosis），以一个列表排序可能的情况，鉴别诊断可以用来对病患进行额外的检查，直到病情确诊为止。而dls就是模仿临床医生开鉴别诊断的想法，给出患者可能拥有的皮肤疾病排串行表，帮助分类患者以及后续的诊断和治疗。
dls的训练数据包括了一张或多张皮肤异常的临床图像，还有45种像是年龄、性别和症状等元数据，google总共使用了17,777个去识别化的病例，分别把2010年到2017年的病例当作训练数据，将2017年到2018年的病例则用在评估系统上，在训练dls的过程，也使用了超过40位皮肤科医生提供的五万多个鉴别诊断。
google为了评估dls的准确性，将其结果与三名皮肤科医生的诊断进行比较，在3,756个病例中，把dls的皮肤状况排串行表和皮肤科医生提供的鉴别诊断相比，dls列表第一项就正确诊断的机率达71％，而前三项诊断的准确度更高达93%。
dls的诊断准确度与皮肤科医生平均75％相当，且远高过初级医疗人员（primary care physicians）的60％，以及执业护士（nurse practitioners）的55％，前三诊断的准确度甚至可以帮助皮肤科医生判断病情。