論文の概要: Disparities in Dermatology AI: Assessments Using Diverse Clinical Images
- arxiv url: http://arxiv.org/abs/2111.08006v1
- Date: Mon, 15 Nov 2021 07:04:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-18 07:52:30.918068
- Title: Disparities in Dermatology AI: Assessments Using Diverse Clinical Images
- Title(参考訳): 皮膚科AIの相違 : 異種臨床画像を用いた評価
- Authors: Roxana Daneshjou, Kailas Vodrahalli, Weixin Liang, Roberto A Novoa,
Melissa Jenkins, Veronica Rotemberg, Justin Ko, Susan M Swetter, Elizabeth E
Bailey, Olivier Gevaert, Pritam Mukherjee, Michelle Phung, Kiana Yekrang,
Bradley Fong, Rachna Sahasrabudhe, James Zou, Albert Chiou
- Abstract要約: 異種皮膚画像データセットでは,最先端の皮膚科AIモデルの性能が著しく低下していることが示される。
DDIデータセットでよく表現されているダークスキンのトーンや異常な病気が、パフォーマンスの低下につながることが分かりました。
- 参考スコア(独自算出の注目度): 9.767299882513825
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: More than 3 billion people lack access to care for skin disease. AI
diagnostic tools may aid in early skin cancer detection; however most models
have not been assessed on images of diverse skin tones or uncommon diseases. To
address this, we curated the Diverse Dermatology Images (DDI) dataset - the
first publicly available, pathologically confirmed images featuring diverse
skin tones. We show that state-of-the-art dermatology AI models perform
substantially worse on DDI, with ROC-AUC dropping 29-40 percent compared to the
models' original results. We find that dark skin tones and uncommon diseases,
which are well represented in the DDI dataset, lead to performance drop-offs.
Additionally, we show that state-of-the-art robust training methods cannot
correct for these biases without diverse training data. Our findings identify
important weaknesses and biases in dermatology AI that need to be addressed to
ensure reliable application to diverse patients and across all disease.
- Abstract(参考訳): 30億人を超える人々が皮膚疾患の治療を受けられない。
AI診断ツールは早期皮膚がんの検出に役立つが、ほとんどのモデルは様々な皮膚のトーンや珍しい疾患の画像に基づいて評価されていない。
これに対処するために、私たちは、多種多様な皮膚科画像(ddi)データセットをキュレーションしました。
我々は、最先端の皮膚科AIモデルがDDIで著しく悪化していることを示し、ROC-AUCは、モデルの最初の結果と比較して29~40%低下した。
ddiデータセットでよく表される暗い肌の色とまれな疾患は、パフォーマンスの低下につながることが分かりました。
さらに,様々なトレーニングデータなしでは,最先端の堅牢なトレーニング手法ではこれらのバイアスを補正できないことを示す。
本研究は, 多様な患者やすべての疾患に対する信頼性を確保するために, 皮膚科のAIにおける重要な弱点とバイアスを明らかにした。
関連論文リスト
- 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) - DDI-CoCo: A Dataset For Understanding The Effect Of Color Contrast In
Machine-Assisted Skin Disease Detection [51.92255321684027]
皮膚のトーンと色差効果の相互作用について検討し,色差が皮膚のトーン間のモデル性能バイアスの新たな原因となる可能性が示唆された。
我々の研究は皮膚疾患の検出を改善するために皮膚科のAIに補完的な角度を提供する。
論文 参考訳(メタデータ) (2024-01-24T07:45:24Z) - Revamping AI Models in Dermatology: Overcoming Critical Challenges for
Enhanced Skin Lesion Diagnosis [8.430482797862926]
我々は、分散-textbfClinical TriageモデルのオールインワンのtextbfHierarchical-textbfOutを示す。
臨床画像では,階層的予測,アウト・オブ・ディストリビューション画像の警告,皮膚内視鏡の推奨の3つの出力を生成する。
我々の汎用モデルは、病変診断のための貴重な意思決定支援を提供し、医療AI応用の有望な先例を定めている。
論文 参考訳(メタデータ) (2023-11-02T06:08:49Z) - FEDD -- Fair, Efficient, and Diverse Diffusion-based Lesion Segmentation
and Malignancy Classification [2.076716889858164]
皮膚病変の分類と悪性度分類のためのフェア,エフェクト,ディバース拡散に基づくフレームワークを提案する。
5%,10%,15%,20%のラベル付き試料を用いて,0.18,0.13,0.06,0.07の相互結合の改善を実現した。
Diverse Dermatology Imagesの10%で訓練されたFedは、悪性度分類の精度が最先端と比較して81%、14%高いことを示した。
論文 参考訳(メタデータ) (2023-07-21T15:42:01Z) - Skin Lesion Diagnosis Using Convolutional Neural Networks [0.30458514384586394]
本研究の目的は,様々な分野から画像分類のための最先端技術を収集し,この問題に対処することである。
モデルは8012画像のデータセットを用いて訓練され、その性能は2003画像を用いて評価された。
このモデルは、手作りの機能抽出を必要とせずに、イメージからラベルに直接、エンドツーエンドでトレーニングされています。
論文 参考訳(メタデータ) (2023-05-18T17:15:08Z) - Improving Deep Facial Phenotyping for Ultra-rare Disorder Verification
Using Model Ensembles [52.77024349608834]
我々は、DCNNを最先端の顔認識手法であるiResNetとArcFaceに置き換える影響を分析する。
提案するアンサンブルモデルにより,目視と目視の両障害に対する最先端のパフォーマンスが達成される。
論文 参考訳(メタデータ) (2022-11-12T23:28:54Z) - Automatic Facial Skin Feature Detection for Everyone [60.31670960526022]
本研究では,野生の自撮り自撮りのために,さまざまな肌のトーンと年齢群にまたがって機能する顔顔の特徴自動検出法を提案する。
具体的には,肌の色,重度度,照明条件の異なる自撮り画像に対して,アクネ,顔料,ニキビの位置を注釈する。
論文 参考訳(メタデータ) (2022-03-30T04:52:54Z) - Disparities in Dermatology AI Performance on a Diverse, Curated Clinical
Image Set [10.212881174103996]
現状のAIモデルでは、Diverse Dermatology Imagesデータセットでは、はるかにパフォーマンスが悪くなっている。
皮膚科医は、通常、AIトレーニングやデータセットのテストのために視覚的なラベルを提供するが、暗い肌のトーンや珍しい病気のイメージに悪影響を及ぼす。
論文 参考訳(メタデータ) (2022-03-15T20:33:23Z) - Automatic Classification of Neuromuscular Diseases in Children Using
Photoacoustic Imaging [77.32032399775152]
神経筋疾患(NMD)は、医療システムと社会の両方に重大な負担をもたらす。
激しい進行性筋力低下、筋変性、収縮、変形、進行性障害を引き起こす。
論文 参考訳(メタデータ) (2022-01-27T16:37:19Z) - 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)
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。