論文の概要: A Deep Learning Approach for Automated Skin Lesion Diagnosis with Explainable AI

• arxiv url: http://arxiv.org/abs/2601.00964v1
• Date: Fri, 02 Jan 2026 19:21:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:21.882658
• Title: A Deep Learning Approach for Automated Skin Lesion Diagnosis with Explainable AI
• Title（参考訳）: 説明可能なAIを用いた皮膚病変自動診断のためのディープラーニングアプローチ
• Authors: Md. Maksudul Haque, Rahnuma Akter, A S M Ahsanul Sarkar Akib, Abdul Hasib,
• Abstract要約: 皮膚がんは世界で最も一般的で危険ながんの1つである。 本稿では,HAM10000データセットを用いたマルチクラス皮膚病変分類のディープラーニングアーキテクチャについて述べる。
• 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: Skin cancer is also one of the most common and dangerous types of cancer in the world that requires timely and precise diagnosis. In this paper, a deep-learning architecture of the multi-class skin lesion classification on the HAM10000 dataset will be described. The system suggested combines high-quality data balancing methods, large-scale data augmentation, hybridized EfficientNetV2-L framework with channel attention, and a three-stage progressive learning approach. Moreover, we also use explainable AI (XAI) techniques such as Grad-CAM and saliency maps to come up with intelligible visual representations of model predictions. Our strategy is with a total accuracy of 91.15 per cent, macro F1 of 85.45\% and micro-average AUC of 99.33\%. The model has shown high performance in all the seven lesion classes with specific high performance of melanoma and melanocytic nevi. In addition to enhancing diagnostic transparency, XAI also helps to find out the visual characteristics that cause the classifications, which enhances clinical trustworthiness.
• Abstract（参考訳）: 皮膚がんは、タイムリーかつ正確な診断を必要とする世界で最も一般的で危険な種類のがんの1つである。 本稿では,HAM10000データセットを用いたマルチクラス皮膚病変分類のディープラーニングアーキテクチャについて述べる。 提案システムは,高品質なデータバランシング手法,大規模データ拡張,ハイブリダイズされたEfficientNetV2-Lフレームワーク,3段階のプログレッシブラーニングアプローチを組み合わせたものである。 さらに、Grad-CAMやSaliency Mapといった説明可能なAI(XAI)技術を使って、モデル予測の理解不能な視覚的表現を考案する。 我々の戦略は総精度91.15パーセント、マクロF1は85.45\%、マイクロ平均AUCは99.33\%である。 悪性黒色腫, 黒色腫の7種類の病変群で, 悪性黒色腫, 悪性黒色腫, 悪性黒色腫, 悪性黒色腫, 悪性黒色腫, 悪性黒色腫, 悪性黒色腫, 悪性黒色腫, 悪性黒色腫, 悪性黒色腫, 悪性黒色腫, 悪性黒色腫, 悪性黒色腫, 悪性黒色腫, 悪性黒色腫, 悪性黒色腫, 悪性黒色腫, 悪性黒色腫, 悪性黒色腫, 悪性黒色腫, 悪性黒色 診断透明性の向上に加えて、XAIは分類の原因となる視覚的特徴の発見にも役立ち、臨床的信頼性を高める。

関連論文リスト

• XAI-Driven Skin Disease Classification: Leveraging GANs to Augment ResNet-50 Performance [2.7930955543692817]
  本研究は,限界を克服するために,信頼性が高く高精度なコンピュータ支援診断(CAD)システムを提案する。 このアプローチでは、クラス毎のデータ拡張にDeep Convolutional Generative Adversarial Networks (DCGAN) を用いて、クリティカルクラスの不均衡問題を解決する。 システム全体の精度は92.50 %、マクロAUC98.82 %に達し、様々な以前のベンチマークアーキテクチャを上回りました。
  論文  参考訳（メタデータ） (2025-11-29T20:46:30Z)
• 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)
• Enhancing Orthopox Image Classification Using Hybrid Machine Learning and Deep Learning Models [40.325359811289445]
  本稿では、機械学習モデルと事前訓練されたディープラーニングモデルを組み合わせて、拡張データを必要とせずに、深い特徴表現を抽出する。 その結果, この特徴抽出法は, 最先端技術における他の手法と組み合わせることで, 優れた分類結果が得られることがわかった。
  論文  参考訳（メタデータ） (2025-06-06T11:52:07Z)
• Breast Tumor Classification Using EfficientNet Deep Learning Model [5.062500255359342]
  我々は、集中的なデータ拡張パイプラインとコスト感受性学習を導入し、表現を改善し、モデルが多数派クラスを過度に好まないことを保証する。 以上の結果より,バイナリ分類性能が著しく向上し,良性症例に対する例外的リコールが向上した。
  論文  参考訳（メタデータ） (2024-11-26T20:38:33Z)
• 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)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)
• Skin Cancer Segmentation and Classification Using Vision Transformer for Automatic Analysis in Dermatoscopy-based Non-invasive Digital System [0.0]
  本研究では,Vision Transformerを用いた皮膚癌分類における画期的なアプローチを提案する。 Vision Transformerは、多様な画像解析タスクの成功で有名な最先端のディープラーニングアーキテクチャである。 Segment Anything Modelは、癌領域の正確なセグメンテーションを支援し、高いIOUとDice Coefficientを達成する。
  論文  参考訳（メタデータ） (2024-01-09T11:22:54Z)
• 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)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)

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。