論文の概要: AI Progress in Skin Lesion Analysis
- arxiv url: http://arxiv.org/abs/2009.13323v2
- Date: Fri, 9 Oct 2020 16:58:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 21:40:17.588489
- Title: AI Progress in Skin Lesion Analysis
- Title（参考訳）: 皮膚病変解析におけるAIの進歩
- Authors: Philippe M. Burlina, William Paul, Phil A. Mathew, Neil J. Joshi,
Alison W. Rebman, John N. Aucott
- Abstract要約: 暗黒個体における皮膚画像の欠如に関するAIバイアスの問題、興味のある病変や領域を正確に検出、デライン化、セグメント化できること、ローショットラーニングに関する問題。
ベースラインアルゴリズムと比較すると,肌質解析アルゴリズムは優雅に劣化し,低撮影時でも良好に機能する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We examine progress in the use of AI for detecting skin lesions, with
particular emphasis on the erythema migrans rash of acute Lyme disease, and
other lesions, such as those from conditions like herpes zoster (shingles),
tinea corporis, erythema multiforme, cellulitis, insect bites, or tick bites.
We discuss important challenges for these applications, in particular the
problems of AI bias regarding the lack of skin images in dark skinned
individuals, being able to accurately detect, delineate, and segment lesions or
regions of interest compared to normal skin in images, and low shot learning
(addressing classification with a paucity of training images). Solving these
problems ranges from being highly desirable requirements -- e.g. for
delineation, which may be useful to disambiguate between similar types of
lesions, and perform improved diagnostics -- or required, as is the case for AI
de-biasing, to allow for the deployment of fair AI techniques in the clinic for
skin lesion analysis. For the problem of low shot learning in particular, we
report skin analysis algorithms that gracefully degrade and still perform well
at low shots, when compared to baseline algorithms: when using a little as 10
training exemplars per class, the baseline DL algorithm performance
significantly degrades, with accuracy of 56.41%, close to chance, whereas the
best performing low shot algorithm yields an accuracy of 85.26%.
- Abstract（参考訳）: 急性ライム病のエリテマ・ミグランス発疹,特にヘルペス・ゾスター(毛糸),ティナ・コーポリス,エリテマ・マルチフォーム,セル炎,昆虫の噛み傷,あるいは噛み傷などの疾患の皮膚病変の検出におけるAIの使用の進歩について検討した。
本研究は,これらの応用における重要な課題,特に,暗い肌の個体における皮膚画像の欠如に関するaiバイアスの問題,画像中の正常な肌に比べて,興味のある病変や部位を正確に検出,区切ることができること,および低ショット学習(訓練画像のpaucityによる配置分類)について論じる。
これらの問題の解決には、非常に望ましい要件、例えばデライン化(delineation) -- 同様のタイプの病変の曖昧化や、改善された診断 -- から、あるいはAI脱バイアス(de-biasing)のように、皮膚病変分析のためのクリニックに公正なAI技術が展開できるようにするために必要なものまで、さまざまである。
特にローショット学習の問題点として、ベースラインアルゴリズムと比較して、スキン解析アルゴリズムが優雅に劣化し、なおかつ低ショットで良好な性能を保っていることを報告する: クラス毎に10のトレーニング例を用いると、ベースラインDLアルゴリズムの性能は56.41%の精度で著しく低下し、最高のローショットアルゴリズムは85.26%の精度が得られる。
関連論文リスト
- Learning from the few: Fine-grained approach to pediatric wrist pathology recognition on a limited dataset [4.391219238034502]
悪性腫瘍,特に小児・青年に共通する骨折は重要な診断課題である。
近年の深部畳み込みニューラルネットワークの進歩は、外傷X線における病理検出の自動化を約束している。
従来の手作業による注釈は効果的だが、精巧で費用がかかり、専門的な専門知識を必要とする。
手動で介入することなく、X線における識別領域を自動的に識別することを目的とした、きめ細かいアプローチを提案する。
論文 参考訳（メタデータ） (2024-08-24T10:14:52Z) - Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-19T09:28:19Z) - Closing the AI generalization gap by adjusting for dermatology condition
distribution differences across clinical settings [17.345850219146424]
我々は,これまで見つからなかったデータに基づいてAIアルゴリズムを評価した場合,皮膚の状態分布の違いがエラーの主な原因であることを示した。
以上の結果から, 凍結埋込モデル上の分類層のみに比較して, エンド・ツー・エンドの微調整と微調整に比較した性能が示唆された。
論文 参考訳（メタデータ） (2024-02-23T19:07:53Z) - Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary
Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。
この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。
PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文 参考訳（メタデータ） (2024-02-16T05:16:20Z) - Convolutional Neural Networks Towards Facial Skin Lesions Detection [0.0]
本研究は,顔画像の点滅や皮膚病変の検出を容易にするモデルを提供することで貢献する。
提案手法は, 簡単なアーキテクチャ, 高速, 画像処理に適するといった利点を提供する。
論文 参考訳（メタデータ） (2024-02-13T16:52:10Z) - Leveraging Semi-Supervised Graph Learning for Enhanced Diabetic
Retinopathy Detection [0.0]
糖尿病網膜症(DR: Diabetic Retinopathy)は、早期発見と治療の急激な必要性を浮き彫りにしている。
機械学習(ML)技術の最近の進歩は、DR検出における将来性を示しているが、ラベル付きデータの可用性は、しばしばパフォーマンスを制限している。
本研究では,DR検出に適したSemi-Supervised Graph Learning SSGLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-02T04:42:08Z) - Deep Learning based Novel Cascaded Approach for Skin Lesion Analysis [7.371818587876888]
本研究は,2段階の皮膚病変セグメンテーションの枠組みに焦点をあて,その後に病変解析の分類を行う。
皮膚病変分類のためのエンコーダデコーダアーキテクチャとCNNに基づく分類ネットワークを設計し,深層畳み込みニューラルネットワークアーキテクチャの有効性を検討した。
本手法は, 従来の分類法により, 病変の分類精度が有意に向上した第1種である。
論文 参考訳（メタデータ） (2023-01-16T01:08:32Z) - Detecting Shortcut Learning for Fair Medical AI using Shortcut Testing [62.9062883851246]
機械学習は医療の改善に大いに貢献するが、その利用が健康格差を広めたり増幅したりしないことを確実にすることは重要である。
アルゴリズムの不公平性の潜在的な要因の1つ、ショートカット学習は、トレーニングデータにおける不適切な相関に基づいてMLモデルが予測した時に発生する。
マルチタスク学習を用いて,臨床MLシステムの公平性評価の一環として,ショートカット学習の評価と緩和を行う手法を提案する。
論文 参考訳（メタデータ） (2022-07-21T09:35:38Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳（メタデータ） (2021-03-19T14:13:56Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - Alleviating the Incompatibility between Cross Entropy Loss and Episode
Training for Few-shot Skin Disease Classification [76.89093364969253]
そこで本研究では,皮膚疾患の診断にFew-Shot Learningを応用し,トレーニングサンプル問題の極端な不足に対処することを提案する。
本稿では, エピソード学習において, クロスエントロピー(CE)よりも優れたクエリ-相対的損失(QR)を提案する。
さらに,新しい適応型ハードマージン戦略により,提案したQR損失をさらに強化する。
論文 参考訳（メタデータ） (2020-04-21T00:57:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。