論文の概要: Application of Machine Learning in Melanoma Detection and the Identification of 'Ugly Duckling' and Suspicious Naevi: A Review

• arxiv url: http://arxiv.org/abs/2309.00265v1
• Date: Fri, 1 Sep 2023 05:50:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-04 14:22:39.171625
• Title: Application of Machine Learning in Melanoma Detection and the Identification of 'Ugly Duckling' and Suspicious Naevi: A Review
• Title（参考訳）: メラノーマ検出における機械学習の応用と「Ugly Duckling」と「Suspicious Naevi」の同定
• Authors: Fatima Al Zegair, Nathasha Naranpanawa, Brigid Betz-Stablein, Monika Janda, H. Peter Soyer, Shekhar S. Chandra
• Abstract要約: メラノーマをモニターする際、「Ugly Duckling Naevus」が登場し、特徴的な特徴を持つ病変を指す。 コンピュータ支援診断 (CAD) は, 研究開発において重要な役割を担っている。 本稿では,メラノーマと疑わしいナエビを検出するための最新の機械学習およびディープラーニングアルゴリズムについて概説する。
• 参考スコア（独自算出の注目度）: 0.45545745874600063
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Skin lesions known as naevi exhibit diverse characteristics such as size, shape, and colouration. The concept of an "Ugly Duckling Naevus" comes into play when monitoring for melanoma, referring to a lesion with distinctive features that sets it apart from other lesions in the vicinity. As lesions within the same individual typically share similarities and follow a predictable pattern, an ugly duckling naevus stands out as unusual and may indicate the presence of a cancerous melanoma. Computer-aided diagnosis (CAD) has become a significant player in the research and development field, as it combines machine learning techniques with a variety of patient analysis methods. Its aim is to increase accuracy and simplify decision-making, all while responding to the shortage of specialized professionals. These automated systems are especially important in skin cancer diagnosis where specialist availability is limited. As a result, their use could lead to life-saving benefits and cost reductions within healthcare. Given the drastic change in survival when comparing early stage to late-stage melanoma, early detection is vital for effective treatment and patient outcomes. Machine learning (ML) and deep learning (DL) techniques have gained popularity in skin cancer classification, effectively addressing challenges, and providing results equivalent to that of specialists. This article extensively covers modern Machine Learning and Deep Learning algorithms for detecting melanoma and suspicious naevi. It begins with general information on skin cancer and different types of naevi, then introduces AI, ML, DL, and CAD. The article then discusses the successful applications of various ML techniques like convolutional neural networks (CNN) for melanoma detection compared to dermatologists' performance. Lastly, it examines ML methods for UD naevus detection and identifying suspicious naevi.
• Abstract（参考訳）: naeviとして知られる皮膚病変は、サイズ、形状、色など様々な特徴を有する。 悪性黒色腫(英語版)のモニタリングにおいて、"ugly duckling naevus"という概念は、近縁の他の病変と区別される特徴的な特徴を持つ病変を指す。 同一個体内の病変は、通常類似性を共有し、予測可能なパターンに従うため、アヒルのうなずきは異常で、癌性黒色腫の存在を示す可能性がある。 コンピュータ支援診断(CAD)は、機械学習技術と様々な患者分析手法を組み合わせることにより、研究開発分野において重要な役割を担っている。 専門職の不足に対応しながら、正確性を高め、意思決定を簡素化することを目的としている。 これらの自動システムは、専門知識が限られている皮膚がんの診断において特に重要である。 結果として、それらの使用は、医療における省エネ効果とコスト削減につながる可能性がある。 早期黒色腫と後期黒色腫を比較した際の生存率の急激な変化を考えると,早期発見は有効治療と患者の予後に不可欠である。 機械学習(ML)とディープラーニング(DL)技術は、皮膚がんの分類において人気を集め、課題に効果的に対処し、専門家と同等の結果を提供している。 この記事では、メラノーマと疑わしいnaeviを検出する現代の機械学習とディープラーニングアルゴリズムを広く取り上げる。 皮膚がんとさまざまなnaeviに関する一般的な情報から始まり、ai、ml、dl、cadを紹介する。 論文では、皮膚科医のパフォーマンスと比較してメラノーマの検出に畳み込みニューラルネットワーク(CNN)のような様々なML技術が成功したことを論じる。 最後に、UDnaevusの検出と疑わしいnaeviの同定のためのML手法を検討する。

関連論文リスト

• Towards Fairness in AI for Melanoma Detection: Systemic Review and Recommendations [0.0]
  本研究は,2013年から2024年にかけて発行されたAIによるメラノーマ検出研究の体系的レビューと予備的分析を行う。 以上の結果から,AIはメラノーマの検出を増強するが,皮膚の色調の軽さには有意な偏りがあることが示唆された。 この研究は、すべての患者に公平で効果的なAIモデルを開発するために、多様なデータセットと堅牢な評価指標の必要性を強調している。
  論文  参考訳（メタデータ） (2024-11-19T20:31:38Z)
• Robust Melanoma Thickness Prediction via Deep Transfer Learning enhanced by XAI Techniques [39.97900702763419]
  本研究は,メラノーマの深さを測定するために皮膚内視鏡像の解析に焦点をあてる。 顆粒層の上部から腫瘍浸潤の最も深い地点まで測定されたブレスロー深さは、黒色腫のステージングと治療決定の指針となる重要なパラメータである。 ISICやプライベートコレクションを含むさまざまなデータセットが使用され、合計で1162枚の画像が含まれている。 その結果, 従来の手法に比べて, モデルが大幅に改善された。
  論文  参考訳（メタデータ） (2024-06-19T11:07:55Z)
• Classification of Melanocytic Nevus Images using BigTransfer (BiT) [0.0]
  メラノーマ性ネビは成熟し、致命的な黒色腫を引き起こす。 現在の管理プロトコルでは、脅迫的に見えるネビを除去する。 早期診断はメラノサイトネビ分類のための信頼性の高い自動化システムを必要とする。
  論文  参考訳（メタデータ） (2022-11-21T21:53:43Z)
• A Comparative Analysis of Transfer Learning-based Techniques for the Classification of Melanocytic Nevi [0.0]
  皮膚細胞中の脱オキシリボ核酸 (DNA) は皮膚に遺伝的欠陥を生じ、皮膚がんを引き起こす。 病変特異的基準を用いて良性皮膚癌と悪性黒色腫を鑑別する。 5つのトランスファーラーニングに基づく技術は、メラノサイトネビの分類に活用される可能性がある。
  論文  参考訳（メタデータ） (2022-11-20T12:55:42Z)
• Extended Feature Space-Based Automatic Melanoma Detection System [9.165013127586267]
  メラノーマは皮膚がんで最も致命的な形態である。メラノーマの制御不能な増殖はメラノーマにつながる。 自動メラノーマ検出システム(AMDS)は、画像処理技術に基づいてメラノーマを検出する。 拡張特徴ベクトル空間の計算のための新しいアルゴリズムExtFvAMDSを提案する。
  論文  参考訳（メタデータ） (2022-09-10T04:15:45Z)
• 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)
• Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
  超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。 この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。 トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
  論文  参考訳（メタデータ） (2021-07-12T09:04:20Z)
• An Attention-based Weakly Supervised framework for Spitzoid Melanocytic Lesion Diagnosis in WSI [1.0948946179065253]
  メラノーマは皮膚がんによる死の大半の原因となる攻撃的な腫瘍である。 診断と予後のための金の基準は、皮膚生検の分析である。 改良型畳み込みニューラルネットワーク(CNN)を用いた誘導伝達学習に基づく,エンドツーエンドの弱い教師付き深層学習モデルを提案する。 本フレームワークは、腫瘍パッチレベルパターンの発見を担当するソースモデルと、生検の特定診断に焦点を当てたターゲットモデルとから構成される。
  論文  参考訳（メタデータ） (2021-04-20T10:18:57Z)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)
• Melanoma Diagnosis with Spatio-Temporal Feature Learning on Sequential Dermoscopic Images [40.743870665742975]
  悪性黒色腫自動診断のための既存の皮膚科医は、病変の単一点像に基づいている。 そこで本研究では,連続した皮膚内視鏡像を用いたメラノーマ診断のための自動フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-19T04:08:22Z)
• Spatio-spectral deep learning methods for in-vivo hyperspectral laryngeal cancer detection [49.32653090178743]
  頭頸部腫瘍の早期発見は患者の生存に不可欠である。 ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。 HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
  論文  参考訳（メタデータ） (2020-04-21T17:07:18Z)

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。