論文の概要: eSkinHealth: A Multimodal Dataset for Neglected Tropical Skin Diseases
- arxiv url: http://arxiv.org/abs/2508.18608v1
- Date: Tue, 26 Aug 2025 02:24:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-27 17:42:38.641017
- Title: eSkinHealth: A Multimodal Dataset for Neglected Tropical Skin Diseases
- Title（参考訳）: eSkinHealth: 負の熱帯皮膚疾患に対するマルチモーダルデータセット
- Authors: Janet Wang, Xin Hu, Yunbei Zhang, Diabate Almamy, Vagamon Bamba, Konan Amos Sébastien Koffi, Yao Koffi Aubin, Zhengming Ding, Jihun Hamm, Rie R. Yotsu,
- Abstract要約: eSkinHealthはCote d'IvoireとGhanaで収集された新しいデータセットである。
1,639件の5,623枚の画像を含み、47件の皮膚疾患を含んでいる。
eSkinHealthにはセマンティック障害マスク、インスタンス固有の視覚キャプション、臨床概念も含まれている。
- 参考スコア（独自算出の注目度）: 29.76522627359553
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Skin Neglected Tropical Diseases (NTDs) impose severe health and socioeconomic burdens in impoverished tropical communities. Yet, advancements in AI-driven diagnostic support are hindered by data scarcity, particularly for underrepresented populations and rare manifestations of NTDs. Existing dermatological datasets often lack the demographic and disease spectrum crucial for developing reliable recognition models of NTDs. To address this, we introduce eSkinHealth, a novel dermatological dataset collected on-site in C\^ote d'Ivoire and Ghana. Specifically, eSkinHealth contains 5,623 images from 1,639 cases and encompasses 47 skin diseases, focusing uniquely on skin NTDs and rare conditions among West African populations. We further propose an AI-expert collaboration paradigm to implement foundation language and segmentation models for efficient generation of multimodal annotations, under dermatologists' guidance. In addition to patient metadata and diagnosis labels, eSkinHealth also includes semantic lesion masks, instance-specific visual captions, and clinical concepts. Overall, our work provides a valuable new resource and a scalable annotation framework, aiming to catalyze the development of more equitable, accurate, and interpretable AI tools for global dermatology.
- Abstract（参考訳）: 皮膚ネグレクト熱帯病(NTD)は、貧しい熱帯地域社会において深刻な健康と社会経済的負担を課している。
しかし、AIによる診断支援の進歩は、データ不足、特に人口不足やNTDの稀な出現によって妨げられている。
既存の皮膚科学データセットは、NTDの信頼性の高い認識モデルを開発する上で不可欠な、人口統計学的および疾患スペクトルを欠いていることが多い。
そこで本研究では,C\^ote d'Ivoire と Ghana で収集された新しい皮膚学データセット eSkinHealth を紹介する。
具体的には、eSkinHealthは1,639人の患者から5,623枚の画像を含み、47の皮膚疾患を包含している。
さらに,皮膚科医の指導のもと,マルチモーダルアノテーションを効率的に生成するための基礎言語とセグメンテーションモデルを実装するためのAI-専門家協調パラダイムを提案する。
患者のメタデータや診断ラベルに加えて、eSkinHealthには意味障害マスク、インスタンス固有の視覚キャプション、臨床概念も含まれている。
全体的に、我々の研究は価値ある新しいリソースとスケーラブルなアノテーションフレームワークを提供し、グローバル皮膚科のためのより公平で正確で解釈可能なAIツールの開発を促進することを目的としています。
関連論文リスト
- DermINO: Hybrid Pretraining for a Versatile Dermatology Foundation Model [69.20140430678092]
DermNIOは皮膚科学の多目的基盤モデルである。
自己教師型学習パラダイムを増強する、新しいハイブリッド事前学習フレームワークが組み込まれている。
さまざまなタスクにおいて、最先端のモデルよりも一貫して優れています。
論文 参考訳（メタデータ） (2025-08-17T00:41:39Z) - DermaCon-IN: A Multi-concept Annotated Dermatological Image Dataset of Indian Skin Disorders for Clinical AI Research [3.3114401663331137]
DermaCon-INは、南インドで約3000人の患者から5450件以上の臨床画像が収集されたデータセットである。
それぞれの画像は、240以上の異なる診断がなされ、階層的、エチオロジーに基づく分類の下に構築された、ボード認証された皮膚科医によって注釈付けされる。
このデータセットは、インドにおける外来医療でよく見られる皮膚学的な状況と声調の変化を、幅広い範囲で捉えている。
論文 参考訳（メタデータ） (2025-06-06T13:59:08Z) - Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。
包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
論文 参考訳（メタデータ） (2025-05-30T14:42:02Z) - PASSION for Dermatology: Bridging the Diversity Gap with Pigmented Skin Images from Sub-Saharan Africa [29.405369900938393]
アフリカでは皮膚科医が大幅に不足しており、人口は100万人に満たない。
これは、皮膚疾患に苦しむ小児人口の80%が皮膚疾患に悩まされている皮膚科医に対する高い需要とは対照的である。
PASSIONプロジェクトは、このデータをオープンソース化することを目的として、サブサハラ諸国の皮膚疾患の画像を収集し、この問題に対処することを目的としている。
論文 参考訳（メタデータ） (2024-11-07T10:11:37Z) - 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) - Potential of Multimodal Large Language Models for Data Mining of Medical Images and Free-text Reports [51.45762396192655]
特にGemini-Vision-Series (Gemini) と GPT-4-Series (GPT-4) は、コンピュータビジョンのための人工知能のパラダイムシフトを象徴している。
本研究は,14の医用画像データセットを対象に,Gemini,GPT-4,および4つの一般的な大規模モデルの性能評価を行った。
論文 参考訳（メタデータ） (2024-07-08T09:08:42Z) - SkinCAP: A Multi-modal Dermatology Dataset Annotated with Rich Medical Captions [17.803181915074706]
SkinCAPは、Fitzpatrick 17k皮膚疾患データセットとDiverse Dermatology Imagesデータセットからソースされた4,000の画像で構成されている。
特に、SkinCAPは世界初のそのようなデータセットであり、https://huggingface.co/datasets/joshuachou/SkinCAPで公開されている。
論文 参考訳（メタデータ） (2024-05-28T09:48:23Z) - SkinGEN: an Explainable Dermatology Diagnosis-to-Generation Framework with Interactive Vision-Language Models [54.32264601568605]
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) - Predicting Clinical Diagnosis from Patients Electronic Health Records
Using BERT-based Neural Networks [62.9447303059342]
医療コミュニティにおけるこの問題の重要性を示す。
本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。
約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
論文 参考訳（メタデータ） (2020-07-15T09:22:55Z)
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。