論文の概要: A Global Atlas of Digital Dermatology to Map Innovation and Disparities

• arxiv url: http://arxiv.org/abs/2601.00840v1
• Date: Sat, 27 Dec 2025 09:22:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:21.772128
• Title: A Global Atlas of Digital Dermatology to Map Innovation and Disparities
• Title（参考訳）: デジタル皮膚学のグローバルアトラス : イノベーションと格差のマップ化
• Authors: Fabian Gröger, Simone Lionetti, Philippe Gottfrois, Alvaro Gonzalez-Jimenez, Lea Habermacher, Labelling Consortium, Ludovic Amruthalingam, Matthew Groh, Marc Pouly, Alexander A. Navarini,
• Abstract要約: SkinMapは、フィールドの全データベースを総合的に監査するための、マルチモーダルなフレームワークである。 我々は、利用可能な皮膚科学データセットを、1100万枚以上の皮膚状態の画像からなる単一のクエリ可能なセマンティックアトラスに統一する。
• 参考スコア（独自算出の注目度）: 38.74632415760177
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The adoption of artificial intelligence in dermatology promises democratized access to healthcare, but model reliability depends on the quality and comprehensiveness of the data fueling these models. Despite rapid growth in publicly available dermatology images, the field lacks quantitative key performance indicators to measure whether new datasets expand clinical coverage or merely replicate what is already known. Here we present SkinMap, a multi-modal framework for the first comprehensive audit of the field's entire data basis. We unify the publicly available dermatology datasets into a single, queryable semantic atlas comprising more than 1.1 million images of skin conditions and quantify (i) informational novelty over time, (ii) dataset redundancy, and (iii) representation gaps across demographics and diagnoses. Despite exponential growth in dataset sizes, informational novelty across time has somewhat plateaued: Some clusters, such as common neoplasms on fair skin, are densely populated, while underrepresented skin types and many rare diseases remain unaddressed. We further identify structural gaps in coverage: Darker skin tones (Fitzpatrick V-VI) constitute only 5.8% of images and pediatric patients only 3.0%, while many rare diseases and phenotype combinations remain sparsely represented. SkinMap provides infrastructure to measure blind spots and steer strategic data acquisition toward undercovered regions of clinical space.
• Abstract（参考訳）: 皮膚科における人工知能の採用は、医療へのアクセスを民主化することを約束するが、モデルの信頼性は、これらのモデルを刺激するデータの質と包括性に依存する。 公開されている皮膚科画像の急速な増加にもかかわらず、新しいデータセットが臨床範囲を広げるか、既に知られているものを単に複製するかを測定するための定量的な重要なパフォーマンス指標が欠如している。 ここでは、フィールド全体のデータベースに関する初の包括的な監査のためのマルチモーダルフレームワークであるSkinMapを紹介する。 我々は、利用可能な皮膚科学データセットを、1100万枚以上の皮膚条件の画像からなる単一のクエリ可能なセマンティックアトラスに統一し、定量化する。 (i)情報ノベルティの経年変化 (ii)データセットの冗長性、及び (三)人口統計学と診断学の格差 スプレッドシートのサイズが指数関数的に大きくなるにもかかわらず、時間とともに情報の新奇性は幾らか高まっており、例えばフェアスキンに共通する新生物のような集団は人口密度が高いが、肌のタイプは乏しく、多くの稀な病気は未適応のままである。 暗い肌色(Fitzpatrick V-VI)は画像の5.8%に過ぎず、小児患者は3.0%に過ぎず、稀な疾患や表現型の組み合わせは少ないままである。 SkinMapは、盲点を計測し、臨床領域の未発見領域に向けて戦略的データ取得を行うインフラストラクチャを提供する。

関連論文リスト

• eSkinHealth: A Multimodal Dataset for Neglected Tropical Skin Diseases [29.76522627359553]
  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。
  論文  参考訳（メタデータ） (2025-08-26T02:24:49Z)
• 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)
• 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)
• Derm1M: A Million-scale Vision-Language Dataset Aligned with Clinical Ontology Knowledge for Dermatology [20.650401805716744]
  本稿では,1029,761個の画像テキストペアからなる皮膚科における最初の大規模視覚言語データセットであるDerm1Mを提案する。 AI研究と臨床応用の進展におけるDerm1Mの可能性を示すために、我々はこのデータセット上で一連のCLIPライクなモデル(DermLIP)を事前訓練した。
  論文  参考訳（メタデータ） (2025-03-19T05:30:01Z)
• A Textbook Remedy for Domain Shifts: Knowledge Priors for Medical Image Analysis [48.84443450990355]
  ディープネットワークは、医学的なスキャンに適用すると、例外のない状況で失敗することが多いため、自然画像の解析において広く成功している。 胸部X線や皮膚病変画像の文脈において、異なる病院から採取したデータや、性別、人種などの人口統計学的変数によって構築されたデータなど、ドメインシフトに対するモデル感度に焦点をあてる。 医学教育からインスピレーションを得て,自然言語で伝達される明示的な医学知識を基盤としたディープネットワークを提案する。
  論文  参考訳（メタデータ） (2024-05-23T17:55:02Z)
• RudolfV: A Foundation Model by Pathologists for Pathologists [13.17203220753175]
  計算病理学の基礎モデルを設計するための新しいアプローチを提案する。 我々のモデル "RudolfV" は、様々なベンチマークで既存の最先端基盤モデルを上回っています。
  論文  参考訳（メタデータ） (2024-01-08T18:31:38Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)

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。