論文の概要: Towards Automated Differential Diagnosis of Skin Diseases Using Deep Learning and Imbalance-Aware Strategies

• arxiv url: http://arxiv.org/abs/2601.00286v1
• Date: Thu, 01 Jan 2026 09:53:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-05 15:04:33.362577
• Title: Towards Automated Differential Diagnosis of Skin Diseases Using Deep Learning and Imbalance-Aware Strategies
• Title（参考訳）: 深層学習と不均衡を考慮した皮膚疾患の鑑別診断の自動化に向けて
• Authors: Ali Anaissi, Ali Braytee, Weidong Huang, Junaid Akram, Alaa Farhat, Jie Hua,
• Abstract要約: 皮膚条件の分類と診断のための深層学習モデルを開発した。 皮膚疾患画像データセットの事前トレーニングを活用することで,視覚的特徴を効果的に抽出し,皮膚科のさまざまな症例を正確に分類した。 このモデルはISIC 2019データセットの8つの皮膚病変クラスで87.71パーセントの予測精度を達成した。
• 参考スコア（独自算出の注目度）: 1.1785523927214931
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As dermatological conditions become increasingly common and the availability of dermatologists remains limited, there is a growing need for intelligent tools to support both patients and clinicians in the timely and accurate diagnosis of skin diseases. In this project, we developed a deep learning based model for the classification and diagnosis of skin conditions. By leveraging pretraining on publicly available skin disease image datasets, our model effectively extracted visual features and accurately classified various dermatological cases. Throughout the project, we refined the model architecture, optimized data preprocessing workflows, and applied targeted data augmentation techniques to improve overall performance. The final model, based on the Swin Transformer, achieved a prediction accuracy of 87.71 percent across eight skin lesion classes on the ISIC2019 dataset. These results demonstrate the model's potential as a diagnostic support tool for clinicians and a self assessment aid for patients.
• Abstract（参考訳）: 皮膚科の症状はますます一般的になり、皮膚科医の可用性は依然として限られているため、皮膚疾患のタイムリーかつ正確な診断において、患者と臨床医の両方を支援するインテリジェントなツールの必要性が高まっている。 本研究では,皮膚条件の分類と診断のための深層学習モデルを開発した。 皮膚疾患画像データセットの事前トレーニングを活用することで,視覚的特徴を効果的に抽出し,皮膚科のさまざまな症例を正確に分類した。 プロジェクト全体を通じて、モデルアーキテクチャを洗練し、データ前処理ワークフローを最適化し、全体的なパフォーマンスを改善するためにターゲットデータ拡張技術を適用しました。 Swin Transformerをベースとした最終モデルは、ISIC2019データセット上の8つの皮膚病変クラスで87.71パーセントの予測精度を達成した。 これらの結果から, 臨床医の診断支援ツールとしてのモデルの可能性と, 患者に対する自己評価支援の可能性が示された。

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 Multimodal Approach to The Detection and Classification of Skin Diseases [0.5755004576310334]
  多くの疾患は、皮膚に多くの身体症状があるとしても、未診断で未治療のまま残されている。 AIの台頭により、自己診断と疾患認識の改善がこれまで以上に有望になった。 本研究は、皮膚疾患分類のための画像およびテキストを介して、容易に利用でき、容易にアクセス可能な患者情報を含む。
  論文  参考訳（メタデータ） (2024-11-21T05:27:42Z)
• 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)
• 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)
• 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)
• A Transformer-based representation-learning model with unified processing of multimodal input for clinical diagnostics [63.106382317917344]
  本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。 統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
  論文  参考訳（メタデータ） (2023-06-01T16:23:47Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• Development of patients triage algorithm from nationwide COVID-19 registry data based on machine learning [1.0323063834827415]
  本稿では,機械学習技術を用いた重症度評価モデルの開発過程について述べる。 モデルは基本的な患者の基本的個人データのみを必要とするため、患者は自身の重症度を判断できる。 本研究の目的は、患者が自身の重症度をチェックできる医療システムを構築し、同様の重症度を持つ他の患者の過去の治療内容に基づいて、適切な診療所への訪問を通知することである。
  論文  参考訳（メタデータ） (2021-09-18T19:56:27Z)

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。