論文の概要: Towards Transparency in Dermatology Image Datasets with Skin Tone
Annotations by Experts, Crowds, and an Algorithm
- arxiv url: http://arxiv.org/abs/2207.02942v1
- Date: Wed, 6 Jul 2022 19:50:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-08 13:28:45.854920
- Title: Towards Transparency in Dermatology Image Datasets with Skin Tone
Annotations by Experts, Crowds, and an Algorithm
- Title(参考訳): エキスパート, 群衆, アルゴリズムによる皮膚トーンアノテーションを用いた皮膚科画像データセットの透明性向上に向けて
- Authors: Matthew Groh, Caleb Harris, Roxana Daneshjou, Omar Badri, Arash
Koochek
- Abstract要約: 皮膚疾患のパブリックおよびプライベート画像データセットには、皮膚の色に関する情報がほとんど含まれない。
透明性を高めるための出発点として、AI研究者は、患者の光感受性の尺度から皮膚のトーンを推定する尺度まで、Fitzpatrick skin type (FST)の使用を適当に検討した。
ITA-FSTに基づくアルゴリズムは,大規模な画像データセットのアノテートには信頼性が低いことを示す。
- 参考スコア(独自算出の注目度): 3.6888633946892044
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: While artificial intelligence (AI) holds promise for supporting healthcare
providers and improving the accuracy of medical diagnoses, a lack of
transparency in the composition of datasets exposes AI models to the
possibility of unintentional and avoidable mistakes. In particular, public and
private image datasets of dermatological conditions rarely include information
on skin color. As a start towards increasing transparency, AI researchers have
appropriated the use of the Fitzpatrick skin type (FST) from a measure of
patient photosensitivity to a measure for estimating skin tone in algorithmic
audits of computer vision applications including facial recognition and
dermatology diagnosis. In order to understand the variability of estimated FST
annotations on images, we compare several FST annotation methods on a diverse
set of 460 images of skin conditions from both textbooks and online dermatology
atlases. We find the inter-rater reliability between three board-certified
dermatologists is comparable to the inter-rater reliability between the
board-certified dermatologists and two crowdsourcing methods. In contrast, we
find that the Individual Typology Angle converted to FST (ITA-FST) method
produces annotations that are significantly less correlated with the experts'
annotations than the experts' annotations are correlated with each other. These
results demonstrate that algorithms based on ITA-FST are not reliable for
annotating large-scale image datasets, but human-centered, crowd-based
protocols can reliably add skin type transparency to dermatology datasets.
Furthermore, we introduce the concept of dynamic consensus protocols with
tunable parameters including expert review that increase the visibility of
crowdwork and provide guidance for future crowdsourced annotations of large
image datasets.
- Abstract(参考訳): 人工知能(AI)は医療提供者のサポートと医療診断の精度向上を約束する一方で、データセットの構成における透明性の欠如は、意図しない、回避可能なミスの可能性にAIモデルを公開する。
特に、皮膚疾患のパブリックおよびプライベート画像データセットには、皮膚の色に関する情報がほとんど含まれていない。
透明性を高めるために、ai研究者は、顔認識や皮膚科診断を含むコンピュータビジョン応用のアルゴリズム監査において、患者の感光性尺度から皮膚トーン推定尺度まで、フィッツパトリックスキンタイプ(fst)の使用を適切とした。
画像上でのFSTアノテーションのばらつきを理解するため,教科書とオンライン皮膚科アトラスの460種類の皮膚状態の画像に対して,いくつかのFSTアノテーション法を比較した。
本研究は,3人の皮膚科医の間でのラッター間信頼性を,2つのクラウドソーシング法とボード認定皮膚科医の間でのラッター間信頼性と比較した。
対照的に, fst (ita-fst) 法に変換された個々のタイポロジー角度は, 専門家のアノテーションが相互に相関するよりも, 専門家のアノテーションとの相関が著しく低いアノテーションを生成することがわかった。
これらの結果から, ITA-FSTに基づくアルゴリズムは大規模画像データセットの注釈付けには信頼性が低いが, 人中心のクラウドベースのプロトコルは皮膚科学データセットに皮膚型透明性を確実に付加できることが示された。
さらに,学習可能なパラメータを含む動的コンセンサスプロトコルの概念を導入し,クラウドワークの可視性を高め,大規模画像データセットのクラウドソースアノテーションのガイダンスを提供する。
関連論文リスト
- MLIP: Enhancing Medical Visual Representation with Divergence Encoder
and Knowledge-guided Contrastive Learning [48.97640824497327]
本稿では、画像テキストのコントラスト学習を通じて、言語情報を視覚領域に統合するための案内信号として、ドメイン固有の医療知識を活用する新しいフレームワークを提案する。
我々のモデルには、設計した分散エンコーダによるグローバルコントラスト学習、局所トークン・知識・パッチアライメントコントラスト学習、知識誘導型カテゴリレベルのコントラスト学習、エキスパートナレッジによるコントラスト学習が含まれる。
特に、MLIPは、限られた注釈付きデータであっても最先端の手法を超越し、医療表現学習の進歩におけるマルチモーダル事前学習の可能性を強調している。
論文 参考訳(メタデータ) (2024-02-03T05:48:50Z) - On the notion of Hallucinations from the lens of Bias and Validity in
Synthetic CXR Images [0.35998666903987897]
拡散モデルのような生成モデルは、データ品質と臨床情報の格差を軽減することを目的としている。
スタンフォード大学の研究者たちは、医療画像データ拡張のための微調整された安定拡散モデル(RoentGen)の有用性を探求した。
我々はRoentGenを利用してChest-XRay(CXR)画像を生成し、バイアス、妥当性、幻覚の評価を行った。
論文 参考訳(メタデータ) (2023-12-12T04:41:20Z) - FeaInfNet: Diagnosis in Medical Image with Feature-Driven Inference and
Visual Explanations [4.022446255159328]
解釈可能なディープラーニングモデルは、画像認識の分野で広く注目を集めている。
提案されている多くの解釈可能性モデルは、医用画像診断の精度と解釈性に問題がある。
これらの問題を解決するために,機能駆動型推論ネットワーク(FeaInfNet)を提案する。
論文 参考訳(メタデータ) (2023-12-04T13:09:00Z) - Robust and Interpretable Medical Image Classifiers via Concept
Bottleneck Models [49.95603725998561]
本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。
具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
論文 参考訳(メタデータ) (2023-10-04T21:57:09Z) - High Fidelity Synthetic Face Generation for Rosacea Skin Condition from
Limited Data [0.27998963147546135]
StyleGANは主にStyleGANの変種であるが、合成顔画像の生成において有望な結果を示している。
300枚のフルフェイス画像を持つRosaceaの小さなデータセットを使用して、合成データを生成する可能性をさらに調査する。
予備実験では、モデルが微調整され、様々な実験条件がロサチアの特徴の忠実さにどのように影響するかが示されている。
論文 参考訳(メタデータ) (2023-03-08T19:18:58Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳(メタデータ) (2022-07-24T07:45:47Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳(メタデータ) (2021-02-15T18:46:44Z) - Proactive Pseudo-Intervention: Causally Informed Contrastive Learning
For Interpretable Vision Models [103.64435911083432]
PPI(Proactive Pseudo-Intervention)と呼ばれる新しい対照的な学習戦略を提案する。
PPIは、因果関係のない画像の特徴を保護するために積極的に介入する。
また,重要な画像画素を識別するための,因果的に通知された新たなサリエンスマッピングモジュールを考案し,モデル解釈の容易性を示す。
論文 参考訳(メタデータ) (2020-12-06T20:30:26Z) - Potential Features of ICU Admission in X-ray Images of COVID-19 Patients [8.83608410540057]
本稿では,患者ICU入院ラベルを用いたデータセットから,重症度と相関する意味的特徴を抽出する手法を提案する。
この手法は、肺の病態を認識して意味的特徴を抽出するために訓練されたニューラルネットワークを使用する。
この方法では、学習した特徴の画像を選択でき、肺内の一般的な位置に関する情報を翻訳することができる。
論文 参考訳(メタデータ) (2020-09-26T13:48:39Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳(メタデータ) (2020-05-15T06:57:54Z)
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。