Fugu-MT 論文翻訳(概要): DermDiff: Generative Diffusion Model for Mitigating Racial Biases in Dermatology Diagnosis

論文の概要: DermDiff: Generative Diffusion Model for Mitigating Racial Biases in Dermatology Diagnosis

arxiv url: http://arxiv.org/abs/2503.17536v1
Date: Fri, 21 Mar 2025 20:45:39 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-25 14:37:00.507192
Title: DermDiff: Generative Diffusion Model for Mitigating Racial Biases in Dermatology Diagnosis
Title（参考訳）: DermDiff:皮膚科診断におけるRacial Biaseの拡散モデル
Authors: Nusrat Munia, Abdullah-Al-Zubaer Imran,
Abstract要約: 皮膚疾患診断のための既存のAIモデルは、しばしば限定的でバイアスのあるデータセットで開発され、テストされる。本稿では皮膚疾患診断のための多彩で代表的な皮膚画像データを生成する新しい生成モデルDermDiffを提案する。
参考スコア（独自算出の注目度）: 0.31077024712075796
License:
Abstract: Skin diseases, such as skin cancer, are a significant public health issue, and early diagnosis is crucial for effective treatment. Artificial intelligence (AI) algorithms have the potential to assist in triaging benign vs malignant skin lesions and improve diagnostic accuracy. However, existing AI models for skin disease diagnosis are often developed and tested on limited and biased datasets, leading to poor performance on certain skin tones. To address this problem, we propose a novel generative model, named DermDiff, that can generate diverse and representative dermoscopic image data for skin disease diagnosis. Leveraging text prompting and multimodal image-text learning, DermDiff improves the representation of underrepresented groups (patients, diseases, etc.) in highly imbalanced datasets. Our extensive experimentation showcases the effectiveness of DermDiff in terms of high fidelity and diversity. Furthermore, downstream evaluation suggests the potential of DermDiff in mitigating racial biases for dermatology diagnosis. Our code is available at https://github.com/Munia03/DermDiff
Abstract（参考訳）: 皮膚がんなどの皮膚疾患は公衆衛生上の重要な問題であり、早期診断は効果的な治療に不可欠である。人工知能(AI)アルゴリズムは良性皮膚病変と悪性皮膚病変のトリアージを支援し、診断精度を向上させる可能性がある。しかし、皮膚疾患診断のための既存のAIモデルは、しばしば制限された偏りのあるデータセットで開発、テストされ、特定の皮膚のトーンのパフォーマンスが低下する。この問題を解決するために,皮膚疾患診断のための多彩で代表的な皮膚画像データを生成するDermDiffという新しい生成モデルを提案する。テキストプロンプトとマルチモーダルな画像テキスト学習を活用して、DermDiffは、高度にバランスの取れないデータセットにおいて、不足しているグループ(患者、病気など)の表現を改善する。我々はDermDiffの有効性を高い忠実度と多様性の観点から明らかにした。さらに、下流評価は、皮膚科診断における人種バイアス軽減におけるDermDiffの可能性を示している。私たちのコードはhttps://github.com/Munia03/DermDiffで利用可能です。

関連論文リスト

Skin Disease Detection and Classification of Actinic Keratosis and Psoriasis Utilizing Deep Transfer Learning [0.0]
皮膚疾患は、感染、アレルギー、遺伝的要因、自己免疫疾患、ホルモンの不均衡、あるいは太陽の損傷や汚染などの環境要因から生じることがある。深層学習技術を用いた皮膚疾患の新規かつ効率的な診断法を提案する。
論文参考訳（メタデータ） (2025-01-23T14:43:53Z)
Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
大規模なデータセットのトレーニングによるスケーリングは、画像生成の品質と忠実度を高め、拡散モデルによる操作を可能にすることが示されている。遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。本研究は,異なる微調整方式と組み合わせた場合,様々なシナリオにおいて顕著な性能向上を示すものである。
論文参考訳（メタデータ） (2024-12-30T01:59:34Z)
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)
Equitable Skin Disease Prediction Using Transfer Learning and Domain Adaptation [1.9505972437091028]
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。
論文参考訳（メタデータ） (2024-09-01T23:48:26Z)
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)
FairDisCo: Fairer AI in Dermatology via Disentanglement Contrastive Learning [11.883809920936619]
本研究では,FairDisCoを提案する。 FairDisCoを3つのフェアネス手法、すなわち、再サンプリング、再重み付け、属性認識と比較する。 DPMとEOMの2つのフェアネス指標を多クラスに適用し,皮膚病変分類における皮膚型バイアスを強調した。
論文参考訳（メタデータ） (2022-08-22T01:54:23Z)
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)
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)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。