論文の概要: The Impact of Lesion Focus on the Performance of AI-Based Melanoma Classification

• arxiv url: http://arxiv.org/abs/2601.00355v1
• Date: Thu, 01 Jan 2026 14:17:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-05 15:04:33.395948
• Title: The Impact of Lesion Focus on the Performance of AI-Based Melanoma Classification
• Title（参考訳）: 病変焦点がAIによるメラノーマ分類の性能に及ぼす影響
• Authors: Tanay Donde,
• Abstract要約: 我々は病変の注意と診断性能の関係を解析した。 病変領域に焦点をあてたモデルでは診断性能が向上した。 この研究は、より正確で信頼性の高いメラノーマ分類モデルを開発する基盤を提供する。
• 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: Melanoma is the most lethal subtype of skin cancer, and early and accurate detection of this disease can greatly improve patients' outcomes. Although machine learning models, especially convolutional neural networks (CNNs), have shown great potential in automating melanoma classification, their diagnostic reliability still suffers due to inconsistent focus on lesion areas. In this study, we analyze the relationship between lesion attention and diagnostic performance, involving masked images, bounding box detection, and transfer learning. We used multiple explainability and sensitivity analysis approaches to investigate how well models aligned their attention with lesion areas and how this alignment correlated with precision, recall, and F1-score. Results showed that models with a higher focus on lesion areas achieved better diagnostic performance, suggesting the potential of interpretable AI in medical diagnostics. This study provides a foundation for developing more accurate and trustworthy melanoma classification models in the future.
• Abstract（参考訳）: メラノーマは皮膚がんの最も致命的な亜型であり、早期かつ正確な検出は患者の予後を大幅に改善させる。 機械学習モデル、特に畳み込みニューラルネットワーク(CNN)はメラノーマ分類の自動化において大きな可能性を秘めているが、その診断信頼性は病変領域に不整合な焦点をあてることによって依然として損なわれている。 本研究では, マスク画像, 境界ボックス検出, 移動学習など, 病変の注意と診断性能の関係を解析した。 我々は,複数の説明可能性および感度分析手法を用いて,モデルが注意を病変領域とどのように一致させるか,また,このアライメントが精度,リコール,F1スコアとどのように相関するかを検討した。 その結果, 病変領域に焦点をあてたモデルでは診断精度が向上し, 診断におけるAIの解釈の可能性が示唆された。 本研究は今後,より正確かつ信頼性の高いメラノーマ分類モデルの開発の基礎となる。

関連論文リスト

• An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
  結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。 本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。 本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
  論文  参考訳（メタデータ） (2025-10-21T17:18:55Z)
• AI-Driven anemia diagnosis: A review of advanced models and techniques [0.0]
  貧血は、世界中の何百万人もの個人に影響を及ぼす広範な健康問題であり、正確な診断とタイムリー診断は、貧血の効果的な管理と治療に不可欠である。 人工知能技術、すなわち機械学習(ML)とディープラーニング(DL)による貧血の検出、分類、診断への関心が高まっている。 本稿では, この分野での最近の進歩を体系的に概観し, 貧血検出に応用した各種モデルに焦点をあてる。
  論文  参考訳（メタデータ） (2025-10-13T13:22:45Z)
• Latent Space Analysis for Melanoma Prevention [5.441932327359051]
  メラノーマは重要な健康リスクであり、早期に解釈可能な診断ツールの必要性を強調している。 この研究は、分類を超えた新しいアプローチを導入し、解釈可能なリスクモデリングを可能にした。 提案手法は, 病変間の意味的関係を捉える構造的潜在空間を学習し, 形態的差異の連続的評価を可能にする。
  論文  参考訳（メタデータ） (2025-06-23T08:49:57Z)
• Comparison of ConvNeXt and Vision-Language Models for Breast Density Assessment in Screening Mammography [39.58317527488534]
  本研究では,BI-RADSシステムを用いた自動分類のためのマルチモーダル法とCNN法の比較を行った。 ゼロショット分類は、微調整されたConvNeXtモデルがBioMedCLIP線形プローブよりも優れた性能を示した。 これらの結果から, マルチモーダル学習の約束にもかかわらず, エンドツーエンドの微調整を施したCNNモデルの方が, 医用画像の特化に有効であることが示唆された。
  論文  参考訳（メタデータ） (2025-06-16T20:14:37Z)
• Robust Melanoma Thickness Prediction via Deep Transfer Learning enhanced by XAI Techniques [39.97900702763419]
  本研究は,メラノーマの深さを測定するために皮膚内視鏡像の解析に焦点をあてる。 顆粒層の上部から腫瘍浸潤の最も深い地点まで測定されたブレスロー深さは、黒色腫のステージングと治療決定の指針となる重要なパラメータである。 ISICやプライベートコレクションを含むさまざまなデータセットが使用され、合計で1162枚の画像が含まれている。 その結果, 従来の手法に比べて, モデルが大幅に改善された。
  論文  参考訳（メタデータ） (2024-06-19T11:07:55Z)
• Highly Accurate Disease Diagnosis and Highly Reproducible Biomarker Identification with PathFormer [32.26944736442376]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データを分析するための主要なディープラーニングモデルである。 課題の根源は、生物学的シグナル伝達経路のユニークなグラフ構造である。 本稿では,バイオマーカーのランク付けと疾患診断の予測のために,シグナルネットワーク,優先知識,オミクスデータを統合した新しいGNNモデルアーキテクチャPathFormerを提案する。
  論文  参考訳（メタデータ） (2024-02-11T18:23:54Z)
• Efficient Out-of-Distribution Detection of Melanoma with Wavelet-based Normalizing Flows [22.335623464185105]
  メラノーマは皮膚がんの重篤な形態であり、後期の死亡率が高い。 データセットは非常に不均衡であり、最先端の教師付きAIモデルのトレーニングを複雑にします。 本稿では, 生成モデルを用いて良性データ分布を学習し, 密度推定による悪性画像の検出を提案する。
  論文  参考訳（メタデータ） (2022-08-09T09:57:56Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• 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)

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。