論文の概要: Uncertainty-Aware Deep Learning for Automated Skin Cancer Classification: A Comprehensive Evaluation

• arxiv url: http://arxiv.org/abs/2506.10302v1
• Date: Thu, 12 Jun 2025 02:29:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.534615
• Title: Uncertainty-Aware Deep Learning for Automated Skin Cancer Classification: A Comprehensive Evaluation
• Title（参考訳）: 皮膚癌自動分類のための不確かさを意識した深層学習 : 総合的評価
• Authors: Hamzeh Asgharnezhad, Pegah Tabarisaadi, Abbas Khosravi, Roohallah Alizadehsani, U. Rajendra Acharya,
• Abstract要約: 本研究では,HAM10000データセットを用いたトランスファーラーニングと不確実性定量化(UQ)を用いた深層学習に基づく皮膚病変分類の包括的評価を行う。 結果は,CLIPベースの視覚変換器,特にSVMを用いたLAION CLIP ViT-H/14が最も高い分類性能を示した。 本研究は, 実際の臨床応用における信頼性と信頼性を高めるために, UQ を DL ベースの診断に組み込むことの重要性を強調した。
• 参考スコア（独自算出の注目度）: 11.342661330086921
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate and reliable skin cancer diagnosis is critical for early treatment and improved patient outcomes. Deep learning (DL) models have shown promise in automating skin cancer classification, but their performance can be limited by data scarcity and a lack of uncertainty awareness. In this study, we present a comprehensive evaluation of DL-based skin lesion classification using transfer learning and uncertainty quantification (UQ) on the HAM10000 dataset. In the first phase, we benchmarked several pre-trained feature extractors-including Contrastive Language-Image Pretraining (CLIP) variants, Residual Network-50 (ResNet50), Densely Connected Convolutional Network (DenseNet121), Visual Geometry Group network (VGG16), and EfficientNet-V2-Large-combined with a range of traditional classifiers such as Support Vector Machine (SVM), eXtreme Gradient Boosting (XGBoost), and logistic regression. Our results show that CLIP-based vision transformers, particularly LAION CLIP ViT-H/14 with SVM, deliver the highest classification performance. In the second phase, we incorporated UQ using Monte Carlo Dropout (MCD), Ensemble, and Ensemble Monte Carlo Dropout (EMCD) to assess not only prediction accuracy but also the reliability of model outputs. We evaluated these models using uncertainty-aware metrics such as uncertainty accuracy(UAcc), uncertainty sensitivity(USen), uncertainty specificity(USpe), and uncertainty precision(UPre). The results demonstrate that ensemble methods offer a good trade-off between accuracy and uncertainty handling, while EMCD is more sensitive to uncertain predictions. This study highlights the importance of integrating UQ into DL-based medical diagnosis to enhance both performance and trustworthiness in real-world clinical applications.
• Abstract（参考訳）: 正確な皮膚癌診断は早期治療と患者の予後改善に不可欠である。 深層学習(DL)モデルは皮膚がん分類の自動化において有望であるが、その性能はデータ不足と不確実性認識の欠如によって制限される可能性がある。 本研究では,HAM10000データセットを用いた転写学習と不確実性定量化(UQ)を用いたDLに基づく皮膚病変分類の総合評価を行った。 第1フェーズでは、Residual Network-50(ResNet50)、Densely Connected Convolutional Network(DenseNet121)、Visual Geometry Group Network(VGG16)、Support Vector Machine(SVM)、eXtreme Gradient Boosting(XGBoost)、ロジスティックレグレッションを含む、事前トレーニング済みの機能抽出器をベンチマークした。 以上の結果から,CLIPベースの視覚変換器,特にSVMを用いたLAION CLIP ViT-H/14が最も高い分類性能を示した。 第2フェーズでは、予測精度だけでなく、モデル出力の信頼性を評価するために、モンテカルロドロップアウト(MCD)、アンサンブル(Ensemble)、およびアンサンブルモンテカルロドロップアウト(EMCD)を用いてUQを組み込んだ。 本研究では,不確実性精度(UAcc),不確実性感度(USen),不確実性特異性(USpe),不確実性精度(UPre)などの不確実性を考慮した評価を行った。 その結果,アンサンブル法は精度と不確実性処理のトレードオフに優れ,EMCDは不確実性予測に敏感であることがわかった。 本研究は, 実際の臨床応用における信頼性と信頼性を高めるために, UQ を DL ベースの診断に組み込むことの重要性を強調した。

関連論文リスト

• MELEP: A Novel Predictive Measure of Transferability in Multi-Label ECG Diagnosis [1.3654846342364306]
  本稿では,事前学習したモデルから下流のECG診断タスクへの知識伝達の有効性を推定する手段であるMELEPを紹介する。 実験により、MELEPは、小・不均衡のECGデータに基づいて、事前学習した畳み込みと繰り返しの深部ニューラルネットワークの性能を予測できることを示した。
  論文  参考訳（メタデータ） (2023-10-27T14:57:10Z)
• Improving Clinical Decision Support through Interpretable Machine Learning and Error Handling in Electronic Health Records [6.594072648536156]
  Trust-MAPSは、臨床領域の知識を高次元の混合整数プログラミングモデルに変換する。 信頼スコアは、臨床決定支援タスクの予測性能を高めるだけでなく、MLモデルに解釈可能性を与える臨床的に有意義な特徴として出現する。
  論文  参考訳（メタデータ） (2023-08-21T15:14:49Z)
• Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
  本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• Density-Aware Personalized Training for Risk Prediction in Imbalanced Medical Data [89.79617468457393]
  不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。 この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。 実世界の医療データセットにおけるモデルの性能向上を実証する。
  論文  参考訳（メタデータ） (2022-07-23T00:39:53Z)
• BSM loss: A superior way in modeling aleatory uncertainty of fine_grained classification [0.0]
  混合データ拡張戦略を用いた改良型ブートストラップ損失(BS損失)関数を提案する。 実験の結果,Mixup(BSM)モデルによるBS損失は,標準データ拡張と比較して予測誤差(ECE)を半減できることがわかった。 BSMモデルはドメイン外のデータのセマンティックな距離を知覚することができ、実際の臨床実践において高い可能性を示す。
  論文  参考訳（メタデータ） (2022-06-09T13:06:51Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。