論文の概要: A Multi-Task Deep Learning Framework for Skin Lesion Classification, ABCDE Feature Quantification, and Evolution Simulation

• arxiv url: http://arxiv.org/abs/2510.14855v1
• Date: Thu, 16 Oct 2025 16:28:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.949546
• Title: A Multi-Task Deep Learning Framework for Skin Lesion Classification, ABCDE Feature Quantification, and Evolution Simulation
• Title（参考訳）: 皮膚病変分類・ABCDE特徴量化・進化シミュレーションのためのマルチタスク深層学習フレームワーク
• Authors: Harsha Kotla, Arun Kumar Rajasekaran, Hannah Rana,
• Abstract要約: 皮膚病変をカテゴリに分類し,各ABCD特徴のスコアを定量化する深層学習フレームワークを提案する。 このフレームワークは、皮膚病変が良性ネフスから悪性黒色腫へと進化するにつれて、潜伏空間におけるABCD特徴軌跡を可視化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Early detection of melanoma has grown to be essential because it significantly improves survival rates, but automated analysis of skin lesions still remains challenging. ABCDE, which stands for Asymmetry, Border irregularity, Color variation, Diameter, and Evolving, is a well-known classification method for skin lesions, but most deep learning mechanisms treat it as a black box, as most of the human interpretable features are not explained. In this work, we propose a deep learning framework that both classifies skin lesions into categories and also quantifies scores for each ABCD feature. It simulates the evolution of these features over time in order to represent the E aspect, opening more windows for future exploration. The A, B, C, and D values are quantified particularly within this work. Moreover, this framework also visualizes ABCD feature trajectories in latent space as skin lesions evolve from benign nevuses to malignant melanoma. The experiments are conducted using the HAM10000 dataset that contains around ten thousand images of skin lesions of varying stages. In summary, the classification worked with an accuracy of around 89 percent, with melanoma AUC being 0.96, while the feature evaluation performed well in predicting asymmetry, color variation, and diameter, though border irregularity remains more difficult to model. Overall, this work provides a deep learning framework that will allow doctors to link ML diagnoses to clinically relevant criteria, thus improving our understanding of skin cancer progression.
• Abstract（参考訳）: メラノーマの早期発見は生存率を著しく改善するが,皮膚病変の自動解析は依然として困難である。 ABCDEは、非対称性、境界不規則性、色の変化、寸法、進化を表すもので、皮膚病変の分類法としてよく知られているが、ほとんどの深層学習メカニズムは、人間の解釈可能な特徴のほとんどを説明できないため、ブラックボックスとして扱う。 本研究では,皮膚病変をカテゴリに分類し,各ABCD特徴のスコアを定量化する深層学習フレームワークを提案する。 これは、Eの側面を表現するために、時間とともにこれらの機能の進化をシミュレートし、将来の探索のためにより多くのウィンドウを開く。 A、B、C、Dの値は特にこの研究の中で定量化される。 さらに、皮膚病変が良性乳腺から悪性黒色腫へと進展するにつれて、この枠組みは潜伏空間におけるABCD特徴軌跡を可視化する。 実験は、さまざまな段階の皮膚病変の画像が約1万枚を含むHAM10000データセットを用いて行われた。 まとめると、分類は99%の精度で行われ、メラノーマAUCは0.96であり、特徴評価は非対称性、色の変化、直径を予測できるが、境界の不規則性はモデル化が困難である。 全体として、この研究は、医師がML診断を臨床的に関連のある基準に結びつけ、皮膚がんの進行に関する理解を改善するためのディープラーニングフレームワークを提供する。

関連論文リスト

• DermINO: Hybrid Pretraining for a Versatile Dermatology Foundation Model [92.66916452260553]
  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)
• A Wavelet Guided Attention Module for Skin Cancer Classification with Gradient-based Feature Fusion [22.872949341281657]
  本研究では,新しいアテンション機構を用いて,空間的次元と病変の対称性の相違点を同定する新しいモデルを提案する。 我々は、HAM10000と呼ばれるマルチクラスで高いクラスバランスのデータセットでモデルをテストし、91.17%のF1スコアと90.75%の精度で有望な結果を得た。
  論文  参考訳（メタデータ） (2024-06-21T13:21:44Z)
• Fairness Evolution in Continual Learning for Medical Imaging [47.52603262576663]
  本研究では、ドメイン固有の公平度指標を用いてタスク間でバイアスがどのように進化し、異なるCL戦略がこの進化にどのように影響するかを検討する。 以上の結果から,擬似ラベルと擬似ラベルの学習は最適分類性能を実現するが,擬似ラベルの偏りは小さいことが示唆された。
  論文  参考訳（メタデータ） (2024-04-10T09:48:52Z)
• 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)
• Application of Machine Learning in Melanoma Detection and the Identification of 'Ugly Duckling' and Suspicious Naevi: A Review [0.45545745874600063]
  メラノーマをモニターする際、「Ugly Duckling Naevus」が登場し、特徴的な特徴を持つ病変を指す。 コンピュータ支援診断 (CAD) は, 研究開発において重要な役割を担っている。 本稿では,メラノーマと疑わしいナエビを検出するための最新の機械学習およびディープラーニングアルゴリズムについて概説する。
  論文  参考訳（メタデータ） (2023-09-01T05:50:47Z)
• Increasing Melanoma Diagnostic Confidence: Forcing the Convolutional Network to Learn from the Lesion [0.9143713488498512]
  EfficientNetモデルによりメラノーマ認識を改善する新しい手法を提案する。 モデルは、ネットワークをトレーニングして、病変を検出し、検出された病変から特徴を学習する。 実験の結果,提案手法は受信機動作特性曲線の平均値(平均AUC)を0.9から0.922に高めることにより,診断精度を向上させた。
  論文  参考訳（メタデータ） (2023-05-16T15:34:12Z)
• Melanoma Diagnosis with Spatio-Temporal Feature Learning on Sequential Dermoscopic Images [40.743870665742975]
  悪性黒色腫自動診断のための既存の皮膚科医は、病変の単一点像に基づいている。 そこで本研究では,連続した皮膚内視鏡像を用いたメラノーマ診断のための自動フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-19T04:08:22Z)
• AI outperformed every dermatologist: Improved dermoscopic melanoma diagnosis through customizing batch logic and loss function in an optimized Deep CNN architecture [2.572959153453185]
  本研究では,メラノーマを二項分類問題として検出することを目的としたディープ畳み込みニューラルネットワークを用いた手法を提案する。 これには3つの重要な機能、すなわち、カスタマイズされたバッチロジック、カスタマイズされた損失関数、完全に接続されたレイヤが含まれる。 このモデルは157人の皮膚科医に優れ、AUCでは94.4%、感度は85.0%、特異度は95.0%であった。
  論文  参考訳（メタデータ） (2020-03-05T13:19:13Z)

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。