Fugu-MT 論文翻訳(概要): Equitable Skin Disease Prediction Using Transfer Learning and Domain Adaptation

論文の概要: Equitable Skin Disease Prediction Using Transfer Learning and Domain Adaptation

arxiv url: http://arxiv.org/abs/2409.00873v1
Date: Sun, 1 Sep 2024 23:48:26 GMT
ステータス: 処理完了
システム内更新日: 2024-09-06 08:40:50.581416
Title: Equitable Skin Disease Prediction Using Transfer Learning and Domain Adaptation
Title（参考訳）: 転写学習とドメイン適応を用いた皮膚疾患の予測
Authors: Sajib Acharjee Dip, Kazi Hasan Ibn Arif, Uddip Acharjee Shuvo, Ishtiaque Ahmed Khan, Na Meng,
Abstract要約: 皮膚科学における既存の人工知能(AI)モデルは、様々な皮膚のトーンで病気を正確に診断する上で困難に直面している。我々は、様々な画像領域からのリッチでトランスファー可能な知識を活かしたトランスファーラーニングアプローチを採用する。あらゆる手法の中で、Med-ViTは様々な画像ソースから学んだ包括的な特徴表現のためにトップパフォーマーとして登場した。
参考スコア（独自算出の注目度）: 1.9505972437091028
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In the realm of dermatology, the complexity of diagnosing skin conditions manually necessitates the expertise of dermatologists. Accurate identification of various skin ailments, ranging from cancer to inflammatory diseases, is paramount. However, existing artificial intelligence (AI) models in dermatology face challenges, particularly in accurately diagnosing diseases across diverse skin tones, with a notable performance gap in darker skin. Additionally, the scarcity of publicly available, unbiased datasets hampers the development of inclusive AI diagnostic tools. To tackle the challenges in accurately predicting skin conditions across diverse skin tones, we employ a transfer-learning approach that capitalizes on the rich, transferable knowledge from various image domains. Our method integrates multiple pre-trained models from a wide range of sources, including general and specific medical images, to improve the robustness and inclusiveness of the skin condition predictions. We rigorously evaluated the effectiveness of these models using the Diverse Dermatology Images (DDI) dataset, which uniquely encompasses both underrepresented and common skin tones, making it an ideal benchmark for assessing our approach. Among all methods, Med-ViT emerged as the top performer due to its comprehensive feature representation learned from diverse image sources. To further enhance performance, we conducted domain adaptation using additional skin image datasets such as HAM10000. This adaptation significantly improved model performance across all models.
Abstract（参考訳）: 皮膚科領域では、皮膚疾患の診断の複雑さは皮膚科医の専門知識を必要とする。がんから炎症性疾患まで、さまざまな皮膚疾患の正確な同定が最重要である。しかし、皮膚科学における既存の人工知能(AI)モデルは、特に様々な皮膚のトーンにまたがる疾患を正確に診断する上で、課題に直面している。さらに、公開されていない偏見のないデータセットの不足は、包括的AI診断ツールの開発を妨げている。皮膚のさまざまなトーンの皮膚条件を正確に予測する上での課題に対処するために,さまざまな画像領域からのリッチで伝達可能な知識を活かしたトランスファーラーニングアプローチを採用する。本手法は,皮膚条件予測の堅牢性や包括性を改善するために,一般的な医用画像や特定の医用画像を含む幅広いソースから事前学習した複数のモデルを統合する。 DDI(Diverse Dermatology Images)データセットを用いて,これらのモデルの有効性を厳格に評価した。あらゆる手法の中で、Med-ViTは様々な画像ソースから学んだ包括的な特徴表現のためにトップパフォーマーとして登場した。さらに,HAM10000などの皮膚画像データセットを用いて,領域適応を行った。この適応により、モデル全体の性能が大幅に向上した。

関連論文リスト

FairSkin: Fair Diffusion for Skin Disease Image Generation [54.29840149709033]
拡散モデル (DM) は, 合成医用画像の生成において主要な手法となっているが, 臨界二倍偏差に悩まされている。このようなバイアスを3段階のリサンプリング機構によって緩和する新しいDMフレームワークであるFairSkinを提案する。本手法は, 画像の多様性と品質を著しく向上させ, 臨床環境における皮膚疾患の検出精度の向上に寄与する。
論文参考訳（メタデータ） (2024-10-29T21:37:03Z)
A General-Purpose Multimodal Foundation Model for Dermatology [14.114262475562846]
PanDermは、皮膚疾患の200万以上の現実世界の画像のデータセット上で、自己教師付き学習を通じて事前訓練されたマルチモーダル皮膚科学の基礎モデルである。 PanDermは評価されたすべてのタスクで最先端のパフォーマンスを達成した。 PanDermは皮膚疾患の管理を強化し、他の医療分野におけるマルチモーダルファンデーションモデルの開発モデルとして機能する。
論文参考訳（メタデータ） (2024-10-19T08:48:01Z)
S-SYNTH: Knowledge-Based, Synthetic Generation of Skin Images [2.79604239303318]
S-SYNTHは知識ベースで適応可能なオープンソーススキンシミュレーションフレームワークである。我々は、解剖学的にインスパイアされた多層多層皮膚と成長する病変モデルを用いて、合成皮膚、3次元モデル、デジタル化された画像を生成する。また, 合成データを用いて得られた結果は, 実際の皮膚画像と類似した傾向を示した。
論文参考訳（メタデータ） (2024-07-31T23:16:29Z)
SkinGEN: an Explainable Dermatology Diagnosis-to-Generation Framework with Interactive Vision-Language Models [52.90397538472582]
SkinGENは、VLMが提供する診断結果から参照デモを生成する、診断から生成までのフレームワークである。システム性能と説明可能性の両方を評価するために,32人の参加者によるユーザスタディを実施している。その結果、SkinGENはVLM予測に対するユーザの理解を著しく改善し、診断プロセスへの信頼を高めることが示されている。
論文参考訳（メタデータ） (2024-04-23T05:36:33Z)
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)
A Novel Multi-Task Model Imitating Dermatologists for Accurate Differential Diagnosis of Skin Diseases in Clinical Images [27.546559936765863]
皮膚科医の診断手順と戦略を模倣して,このギャップを埋めるために,新しいマルチタスクモデルDermImitFormerを提案する。モデルは、疾患自体に加えて、身体の部分と病変の属性を同時に予測し、診断精度を高め、診断の解釈性を向上させる。
論文参考訳（メタデータ） (2023-07-17T08:05:30Z)
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)
Disparities in Dermatology AI: Assessments Using Diverse Clinical Images [9.767299882513825]
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。
論文参考訳（メタデータ） (2021-11-15T07:04:58Z)

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。