論文の概要: Robust Melanoma Thickness Prediction via Deep Transfer Learning enhanced by XAI Techniques

• arxiv url: http://arxiv.org/abs/2406.13441v1
• Date: Wed, 19 Jun 2024 11:07:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-21 20:03:05.384921
• Title: Robust Melanoma Thickness Prediction via Deep Transfer Learning enhanced by XAI Techniques
• Title（参考訳）: XAI法による深達度学習によるロバスト黒色腫の厚さ予測
• Authors: Miguel Nogales, Begoña Acha, Fernando Alarcón, José Pereyra, Carmen Serrano,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 39.97900702763419
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study focuses on analyzing dermoscopy images to determine the depth of melanomas, which is a critical factor in diagnosing and treating skin cancer. The Breslow depth, measured from the top of the granular layer to the deepest point of tumor invasion, serves as a crucial parameter for staging melanoma and guiding treatment decisions. This research aims to improve the prediction of the depth of melanoma through the use of machine learning models, specifically deep learning, while also providing an analysis of the possible existance of graduation in the images characteristics which correlates with the depth of the melanomas. Various datasets, including ISIC and private collections, were used, comprising a total of 1162 images. The datasets were combined and balanced to ensure robust model training. The study utilized pre-trained Convolutional Neural Networks (CNNs). Results indicated that the models achieved significant improvements over previous methods. Additionally, the study conducted a correlation analysis between model's predictions and actual melanoma thickness, revealing a moderate correlation that improves with higher thickness values. Explainability methods such as feature visualization through Principal Component Analysis (PCA) demonstrated the capability of deep features to distinguish between different depths of melanoma, providing insight into the data distribution and model behavior. In summary, this research presents a dual contribution: enhancing the state-of-the-art classification results through advanced training techniques and offering a detailed analysis of the data and model behavior to better understand the relationship between dermoscopy images and melanoma thickness.
• Abstract（参考訳）: 本研究は,皮膚がんの診断および治療における重要な因子であるメラノーマの深さを決定するために,皮膚内視鏡像の分析に焦点をあてる。 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。 本研究の目的は,機械学習モデル,特に深層学習を用いたメラノーマ深度予測の改善と,メラノーマ深度と相関する画像特性の卒業可能性の解析である。 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。 データセットは、堅牢なモデルトレーニングを保証するために結合され、バランスが取れた。 この研究は、事前訓練された畳み込みニューラルネットワーク(CNN)を利用した。 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。 さらに、モデルの予測と実際のメラノーマの厚みの相関分析を行い、より高い厚みの値で改善する適度な相関を明らかにした。 主成分分析(PCA)による特徴可視化などの説明可能性手法は,メラノーマの深度の違いを識別し,データ分布とモデル挙動の洞察を与える,深い特徴の能力を示した。 本研究は,高度なトレーニング技術による最先端の分類結果の向上と,皮膚鏡像とメラノーマ厚みの関係をよりよく理解するために,データとモデル挙動の詳細な解析を行う。

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)
• A Comparative Analysis Towards Melanoma Classification Using Transfer Learning by Analyzing Dermoscopic Images [0.0]
  本稿では,皮膚病変の分類と診断を可能にするために,深層学習技術と確立された転写学習手法を組み合わせたシステムを提案する。 研究者たちは'Deep Learning'テクニックを使って、膨大な数の写真を訓練し、基本的には期待される結果を得る。 DenseNetは、96.64%のバリデーション精度、9.43%のバリデーション損失、99.63%のテストセット精度など、他のものよりも優れていた。
  論文  参考訳（メタデータ） (2023-12-02T19:46:48Z)
• Deep learning methods for drug response prediction in cancer: predominant and emerging trends [50.281853616905416]
  がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。 最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。 このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
  論文  参考訳（メタデータ） (2022-11-18T03:26:31Z)
• Efficient Out-of-Distribution Detection of Melanoma with Wavelet-based Normalizing Flows [22.335623464185105]
  メラノーマは皮膚がんの重篤な形態であり、後期の死亡率が高い。 データセットは非常に不均衡であり、最先端の教師付きAIモデルのトレーニングを複雑にします。 本稿では, 生成モデルを用いて良性データ分布を学習し, 密度推定による悪性画像の検出を提案する。
  論文  参考訳（メタデータ） (2022-08-09T09:57:56Z)
• Visual Interpretable and Explainable Deep Learning Models for Brain Tumor MRI and COVID-19 Chest X-ray Images [0.0]
  我々は、ディープニューラルネットワークが医療画像をどのように分析するかを照らすための属性手法を評価する。 我々は近年の深層畳み込みニューラルネットワークモデルによる脳腫瘍MRIと新型コロナウイルス胸部X線データセットからの予測を属性とした。
  論文  参考訳（メタデータ） (2022-08-01T16:05:14Z)
• Breast Cancer Induced Bone Osteolysis Prediction Using Temporal Variational Auto-Encoders [65.95959936242993]
  骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。 乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
  論文  参考訳（メタデータ） (2022-03-20T21:00:10Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• 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)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。