論文の概要: A Multimodal Approach to The Detection and Classification of Skin Diseases

• arxiv url: http://arxiv.org/abs/2411.13855v1
• Date: Thu, 21 Nov 2024 05:27:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-22 15:19:49.672044
• Title: A Multimodal Approach to The Detection and Classification of Skin Diseases
• Title（参考訳）: 皮膚疾患の診断・分類へのマルチモーダルアプローチ
• Authors: Allen Yang, Edward Yang,
• Abstract要約: 多くの疾患は、皮膚に多くの身体症状があるとしても、未診断で未治療のまま残されている。 AIの台頭により、自己診断と疾患認識の改善がこれまで以上に有望になった。 本研究は、皮膚疾患分類のための画像およびテキストを介して、容易に利用でき、容易にアクセス可能な患者情報を含む。
• 参考スコア（独自算出の注目度）: 0.5755004576310334
• License:
• Abstract: According to PBS, nearly one-third of Americans lack access to primary care services, and another forty percent delay going to avoid medical costs. As a result, many diseases are left undiagnosed and untreated, even if the disease shows many physical symptoms on the skin. With the rise of AI, self-diagnosis and improved disease recognition have become more promising than ever; in spite of that, existing methods suffer from a lack of large-scale patient databases and outdated methods of study, resulting in studies being limited to only a few diseases or modalities. This study incorporates readily available and easily accessible patient information via image and text for skin disease classification on a new dataset of 26 skin disease types that includes both skin disease images (37K) and associated patient narratives. Using this dataset, baselines for various image models were established that outperform existing methods. Initially, the Resnet-50 model was only able to achieve an accuracy of 70% but, after various optimization techniques, the accuracy was improved to 80%. In addition, this study proposes a novel fine-tuning strategy for sequence classification Large Language Models (LLMs), Chain of Options, which breaks down a complex reasoning task into intermediate steps at training time instead of inference. With Chain of Options and preliminary disease recommendations from the image model, this method achieves state of the art accuracy 91% in diagnosing patient skin disease given just an image of the afflicted area as well as a patient description of the symptoms (such as itchiness or dizziness). Through this research, an earlier diagnosis of skin diseases can occur, and clinicians can work with deep learning models to give a more accurate diagnosis, improving quality of life and saving lives.
• Abstract（参考訳）: PBSによると、アメリカ人の3分の1近くはプライマリケアサービスへのアクセスを欠いている。 その結果、皮膚に多くの身体症状があったとしても、多くの疾患は未診断で未治療のままである。 AIの台頭とともに、自己診断と疾患認識の改善は、これまで以上に有望なものになっている。しかしながら、既存の方法では、大規模な患者データベースの欠如と研究の古い方法に悩まされており、研究は少数の病気やモダリティに限られている。 本研究は、皮膚疾患の画像(37K)と関連する患者の物語を含む26種類の皮膚疾患の新たなデータセットに基づいて、皮膚疾患の分類のための画像とテキストによる、容易に入手可能な患者情報を含む。 このデータセットを用いて、様々な画像モデルのベースラインが確立され、既存の手法を上回った。 当初、Resnet-50モデルは70%の精度しか達成できなかったが、様々な最適化技術の後、精度は80%向上した。 さらに,複雑な推論タスクを推論ではなくトレーニング時に中間ステップに分解する大規模言語モデル(LLMs, Chain of Options)を提案する。 画像モデルによる選択の連鎖と予備疾患の推奨により, 患者皮膚疾患の診断において, 合併症領域の画像だけでなく, 症状の患者説明(イタチ, めまいなど)が得られ, 91%の精度で診断できる。 本研究により、皮膚疾患の早期診断が可能となり、深層学習モデルを用いてより正確な診断を行い、生活の質を改善し、命を救うことができる。

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)
• 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)
• Predicting Parkinson's disease evolution using deep learning [1.4610685586329806]
  パーキンソン病は、世界の人口の1%近くで起こる神経疾患である。 パーキンソン病の診断に利用できる血液検査やバイオマーカーは1つもない。 進行の段階を特定するために設計されたAIツールは存在しない。
  論文  参考訳（メタデータ） (2023-12-28T10:30:54Z)
• 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)
• Learning Spatio-Temporal Model of Disease Progression with NeuralODEs from Longitudinal Volumetric Data [4.998875488622879]
  我々は,1つの医療スキャンを処理し,加齢関連疾患の進化をモデル化する深層学習手法を開発した。 ジオグラフィック・アトロフィーの場合,提案手法はアトロフィ成長予測において,関連するベースラインモデルよりも優れていた。 アルツハイマー病に対して, 提案法は, 疾患によって引き起こされる脳の心室変化を予測する上で, 顕著な性能を示した。
  論文  参考訳（メタデータ） (2022-11-08T13:28:26Z)
• NeuralSympCheck: A Symptom Checking and Disease Diagnostic Neural Model with Logic Regularization [59.15047491202254]
  症状検査システムは、患者に症状を問い合わせ、迅速で手頃な価格の医療評価を行う。 本稿では,論理正則化を用いたニューラルネットワークの教師付き学習に基づく新しい手法を提案する。 以上の結果から,本手法は診断回数や症状が大きい場合の診断精度において,最も優れた方法であることがわかった。
  論文  参考訳（メタデータ） (2022-06-02T07:57:17Z)
• SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
  皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。 皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。 本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-03-22T06:54:29Z)
• 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)
• 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)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。