論文の概要: CutisAI: Deep Learning Framework for Automated Dermatology and Cancer Screening

• arxiv url: http://arxiv.org/abs/2601.02562v1
• Date: Mon, 05 Jan 2026 21:29:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.726098
• Title: CutisAI: Deep Learning Framework for Automated Dermatology and Cancer Screening
• Title（参考訳）: CutisAI: 皮膚科とがん検診のためのディープラーニングフレームワーク
• Authors: Rohit Kaushik, Eva Kaushik,
• Abstract要約: 本稿では,統計学習理論,トポロジカルデータ解析,ベイズ変換推論を組み合わせたコンフォーマルベイズ皮膚学(CBDC)フレームワークを提案する。 CBDCは分類精度を達成し、臨床の観点から解釈可能な校正された予測を生成する。 本研究は, 深部皮膚科診断における理論的, 実践的な飛躍であり, 機械学習理論の臨床応用インターフェースを開拓する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid growth of dermatological imaging and mobile diagnostic tools calls for systems that not only demonstrate empirical performance but also provide strong theoretical guarantees. Deep learning models have shown high predictive accuracy; however, they are often criticized for lacking well, calibrated uncertainty estimates without which these models are hardly deployable in a clinical setting. To this end, we present the Conformal Bayesian Dermatological Classifier (CBDC), a well, founded framework that combines Statistical Learning Theory, Topological Data Analysis (TDA), and Bayesian Conformal Inference. CBDC offers distribution, dependent generalization bounds that reflect dermatological variability, proves a topological stability theorem that guarantees the invariance of convolutional neural network embeddings under photometric and morphological perturbations and provides finite conformal coverage guarantees for trustworthy uncertainty quantification. Through exhaustive experiments on the HAM10000, PH2, and ISIC 2020 datasets, we show that CBDC not only attains classification accuracy but also generates calibrated predictions that are interpretable from a clinical perspective. This research constitutes a theoretical and practical leap for deep dermatological diagnostics, thereby opening the machine learning theory clinical applicability interface.
• Abstract（参考訳）: 皮膚画像とモバイル診断ツールの急速な成長は、経験的性能を示すだけでなく、強力な理論的保証を提供するシステムを要求する。 深層学習モデルは高い予測精度を示してきたが、これらのモデルが臨床環境では展開し難いような不確実性推定を適切に調整していないとしばしば批判されている。 この目的のために、統計的学習理論、トポロジカルデータ分析(TDA)、およびベイズ的コンフォーマル推論を組み合わせた、よく確立された枠組みであるCBDC(Conformal Bayesian Dermatological Classifier)を提案する。 CBDCは、皮膚学的な変数を反映した分布、従属一般化境界を提供し、光度および形態的摂動下での畳み込みニューラルネットワーク埋め込みの不変性を保証するトポロジカル安定定理を証明し、信頼に値する不確実性定量化のための有限共形被覆保証を提供する。 HAM10000、PH2、ISIC 2020データセットの徹底的な実験を通して、CBDCは分類精度を得るだけでなく、臨床の観点から解釈可能な校正予測を生成することを示した。 本研究は, 深部皮膚科診断における理論的, 実践的な飛躍であり, 機械学習理論の臨床応用インターフェースを開拓する。

関連論文リスト

• CPR: Causal Physiological Representation Learning for Robust ECG Analysis under Distribution Shifts [0.0]
  心電図(ECG)診断のための深層学習モデルでは, 逆行性摂動に対する脆弱性を示す。 CPR(Causal Physiological Representation Learning)を提案する。 CPRは因果的絡み合いの枠組みに生理的構造的優先順位を組み込んでいる。
  論文  参考訳（メタデータ） (2025-12-31T02:08:34Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Beyond Classification Accuracy: Neural-MedBench and the Need for Deeper Reasoning Benchmarks [21.203358914772465]
  近年の視覚言語モデル (VLM) の進歩は, 標準医学ベンチマークにおいて顕著な性能を発揮しているが, その真の臨床推論能力は未だ不明である。 我々はニューラルメドベンチ(Neural-MedBench)について紹介する。これは、神経学におけるマルチモーダルな臨床推論の限界を調査するためのコンパクトで推論集約的なベンチマークである。
  論文  参考訳（メタデータ） (2025-09-26T12:20:01Z)
• AUTOCT: Automating Interpretable Clinical Trial Prediction with LLM Agents [47.640779069547534]
  AutoCTは、大規模言語モデルの推論能力と古典的な機械学習の説明可能性を組み合わせた、新しいフレームワークである。 臨床治験予測タスクにおいて, AutoCT は SOTA 法と同等以上の性能を示した。
  論文  参考訳（メタデータ） (2025-06-04T11:50:55Z)
• Towards Accurate and Interpretable Neuroblastoma Diagnosis via Contrastive Multi-scale Pathological Image Analysis [16.268045905735818]
  病理画像分類に適したコントラスト学習に基づくマルチスケール機能融合モデルであるCMSwinKANを提案する。 マルチスケールの特徴を融合させ、対照的な学習戦略を活用することで、CMSwinKANは臨床医の包括的なアプローチを模倣する。 その結果、CMSwinKANは、既存の最先端の病理モデルよりも、大規模なデータセットで事前訓練されたモデルよりもパフォーマンスがよいことが示された。
  論文  参考訳（メタデータ） (2025-04-18T15:39:46Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)

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。