論文の概要: DermAI: Clinical dermatology acquisition through quality-driven image collection for AI classification in mobile

• arxiv url: http://arxiv.org/abs/2511.10367v1
• Date: Fri, 14 Nov 2025 01:47:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.828639
• Title: DermAI: Clinical dermatology acquisition through quality-driven image collection for AI classification in mobile
• Title（参考訳）: DermAI:モバイルにおけるAI分類のための品質駆動画像収集による臨床皮膚科の取得
• Authors: Thales Bezerra, Emanoel Thyago, Kelvin Cunha, Rodrigo Abreu, Fábio Papais, Francisco Mauro, Natália Lopes, Érico Medeiros, Jéssica Guido, Shirley Cruz, Paulo Borba, Tsang Ing Ren,
• Abstract要約: 本稿では,皮膚病変のリアルタイムキャプチャ,アノテーション,分類を可能にするスマートフォンベースの軽量アプリケーションDermAIを紹介する。 DermAI臨床データセットは、幅広い皮膚のトーン、倫理性、ソースデバイスを含んでいる。 予備実験では、公開データセットでトレーニングされたモデルがサンプルに一般化できず、局所データによる微調整により性能が向上した。
• 参考スコア（独自算出の注目度）: 1.3591661545452098
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI-based dermatology adoption remains limited by biased datasets, variable image quality, and limited validation. We introduce DermAI, a lightweight, smartphone-based application that enables real-time capture, annotation, and classification of skin lesions during routine consultations. Unlike prior dermoscopy-focused tools, DermAI performs on-device quality checks, and local model adaptation. The DermAI clinical dataset, encompasses a wide range of skin tones, ethinicity and source devices. In preliminary experiments, models trained on public datasets failed to generalize to our samples, while fine-tuning with local data improved performance. These results highlight the importance of standardized, diverse data collection aligned with healthcare needs and oriented to machine learning development.
• Abstract（参考訳）: AIベースの皮膚科学の採用は、バイアス付きデータセット、可変画像品質、限定されたバリデーションによって制限されている。 我々はDermAIを紹介した。DermAIはスマートフォンベースの軽量アプリケーションで、定期的な相談中に皮膚病変のリアルタイムキャプチャ、アノテーション、分類を可能にする。 従来の皮膚鏡に焦点を当てたツールとは異なり、DermAIはデバイス上の品質チェックと局所モデル適応を実行する。 DermAI臨床データセットは、幅広い皮膚のトーン、倫理性、ソースデバイスを含んでいる。 予備実験では、公開データセットでトレーニングされたモデルがサンプルに一般化できず、局所データによる微調整により性能が向上した。 これらの結果は、医療ニーズに沿った標準化された多様なデータ収集の重要性を強調し、機械学習開発を指向している。

関連論文リスト

• Toward Accessible Dermatology: Skin Lesion Classification Using Deep Learning Models on Mobile-Acquired Images [0.0]
  本研究では,モバイル端末で取得した50以上の皮膚疾患カテゴリの大規模なデータセットをキュレートする。 我々は、複数の畳み込みニューラルネットワークとトランスフォーマーベースのアーキテクチャを評価する。 以上の結果からトランスフォーマーによる皮膚病変分類の可能性が示唆された。
  論文  参考訳（メタデータ） (2025-09-05T04:31:16Z)
• 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)
• An analysis of data variation and bias in image-based dermatological datasets for machine learning classification [2.039829968340841]
  臨床皮膚学では、分類モデルはRGB画像のみを入力として、患者の皮膚の悪性病変を検出することができる。 学習に基づくほとんどの手法では、トレーニングにおいて皮膚科のデータセットから取得したデータを用いており、これは金の基準によって大きく検証されている。 本研究の目的は,皮膚内視鏡検査と臨床検査のギャップを評価し,データセットの変動がトレーニングに与える影響を理解することである。
  論文  参考訳（メタデータ） (2025-01-15T17:18:46Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• 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)
• GastroVision: A Multi-class Endoscopy Image Dataset for Computer Aided Gastrointestinal Disease Detection [6.231109933741383]
  本データセットは, 解剖学的所見, 病理所見, ポリープ除去症例, 正常所見を含む。 経験豊富なGI内科医によって注釈され、検証された。 我々のデータセットは、GI病の検出と分類のためのAIベースのアルゴリズムの開発を促進することができると信じている。
  論文  参考訳（メタデータ） (2023-07-16T19:36:03Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• 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)
• Real-World Multi-Domain Data Applications for Generalizations to Clinical Settings [1.508558791031741]
  ディープラーニングモデルは、臨床試験のような人工的な設定から標準化されたデータセットでトレーニングされた場合、うまく機能する。 マルチドメイン実世界のデータセットに転送学習を用いた自己教師型アプローチを用いることで、標準化されたデータセットに対して16%の相対的改善が達成できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T17:41:23Z)

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。