論文の概要: Toward Reliable and Explainable Nail Disease Classification: Leveraging Adversarial Training and Grad-CAM Visualization

• arxiv url: http://arxiv.org/abs/2602.04820v1
• Date: Wed, 04 Feb 2026 18:08:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.674722
• Title: Toward Reliable and Explainable Nail Disease Classification: Leveraging Adversarial Training and Grad-CAM Visualization
• Title（参考訳）: 信頼性・説明可能な爪病分類に向けて--逆行訓練とGrad-CAM可視化の活用をめざして
• Authors: Farzia Hossain, Samanta Ghosh, Shahida Begum, B. M. Shahria Alam, Mohammad Tahmid Noor, Md Parvez Mia, Nishat Tasnim Niloy,
• Abstract要約: 本稿では,爪疾患の自動分類のための機械学習モデルを提案する。 4つの有名なCNNモデル、InceptionV3、DenseNet201、EfficientNetV2、ResNet50がトレーニングされ分析された。 インセプションV3の精度は95.57%、DenseNet201は94.79%だった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human nail diseases are gradually observed over all age groups, especially among older individuals, often going ignored until they become severe. Early detection and accurate diagnosis of such conditions are important because they sometimes reveal our body's health problems. But it is challenging due to the inferred visual differences between disease types. This paper presents a machine learning-based model for automated classification of nail diseases based on a publicly available dataset, which contains 3,835 images scaling six categories. In 224x224 pixels, all images were resized to ensure consistency. To evaluate performance, four well-known CNN models-InceptionV3, DenseNet201, EfficientNetV2, and ResNet50 were trained and analyzed. Among these, InceptionV3 outperformed the others with an accuracy of 95.57%, while DenseNet201 came next with 94.79%. To make the model stronger and less likely to make mistakes on tricky or noisy images, we used adversarial training. To help understand how the model makes decisions, we used SHAP to highlight important features in the predictions. This system could be a helpful support for doctors, making nail disease diagnosis more accurate and faster.
• Abstract（参考訳）: ヒトの爪疾患は、年齢層、特に高齢者の間で徐々に観察され、重篤になるまで無視されることが多い。 このような症状の早期発見と正確な診断は、身体の健康上の問題を明らかにするために重要である。 しかし、病気の種類によって視覚的な違いが推測されるため、これは困難である。 本稿では,6つのカテゴリをスケールした3,835枚の画像を含む,公開データセットに基づく爪疾患の自動分類のための機械学習モデルを提案する。 224x224ピクセルでは、すべての画像が整合性を確保するためにリサイズされた。 性能を評価するため、よく知られた4つのCNNモデル、InceptionV3、DenseNet201、EfficientNetV2、ResNet50がトレーニングされ分析された。 これらのうち、InceptionV3は95.57%の精度で他より優れており、DenseNet201は94.79%だった。 難解な画像や騒々しい画像に対して、モデルを強くし、誤りを犯しがちなものにするため、私たちは敵の訓練を使用した。 モデルがどのように意思決定を行うかを理解するために、私たちはSHAPを使用して予測の重要な特徴を強調しました。 このシステムは医師の助けになる可能性があり、爪疾患の診断をより正確かつ迅速にする。

関連論文リスト

• Explainable AI-Driven Detection of Human Monkeypox Using Deep Learning and Vision Transformers: A Comprehensive Analysis [0.20482269513546453]
  mpoxは動物園で流行するウイルス病で、公衆衛生に重大な影響を及ぼす。 症状が麻疹や鶏痘の症状とどのように一致しているかから,早期臨床診断は困難である。 深層学習(DL)技術と併用した医用画像は, 皮膚領域を解析することにより, 疾患検出の改善を約束している。 本研究は,皮膚病変画像データセットを用いて,深層学習と視覚トランスフォーマーに基づくモデルをスクラッチからトレーニングする可能性について検討した。
  論文  参考訳（メタデータ） (2025-04-03T19:45:22Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Detection of keratoconus Diseases using deep Learning [0.0]
  最も重篤な角膜疾患の1つとして、角膜は早期に診断が困難であり、失明を引き起こすことがある。 ディープラーニングのアプローチの1つであるCNNは、角膜を正確にタイムリーに診断するための、特に有望なツールとして最近光を当てている。 本研究は,異なるD-CNNモデルを用いて角膜関連疾患の同定を行った。
  論文  参考訳（メタデータ） (2023-11-03T15:49:06Z)
• Unleashing Modified Deep Learning Models in Efficient COVID19 Detection [0.0]
  新型コロナウイルスの感染拡大に伴い、世界的な人口に影響を及ぼしている。 近年のDeep Learningのブレークスルーは、精度と迅速な検出のためのツールとして、COVID19の予測と予測を改善する可能性がある。 最も正確なモデルはMobileNet V3 (97.872%)、DenseNet201 (97.5677%)、GoogleNet Inception V1 (97.643%)である。
  論文  参考訳（メタデータ） (2023-10-21T18:24:23Z)
• A Hybrid Transfer Learning Assisted Decision Support System for Accurate Prediction of Alzheimer Disease [0.0]
  アルツハイマー病は高齢者で最も一般的な長期疾患である。 ディープニューラルモデルは一般的な機械学習よりも正確で効果的である。
  論文  参考訳（メタデータ） (2023-10-13T06:48:38Z)
• Robust and Interpretable Medical Image Classifiers via Concept Bottleneck Models [49.95603725998561]
  本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。 具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
  論文  参考訳（メタデータ） (2023-10-04T21:57:09Z)
• What Do You See in this Patient? Behavioral Testing of Clinical NLP Models [69.09570726777817]
  本稿では,入力の変化に関する臨床結果モデルの振る舞いを評価する拡張可能なテストフレームワークを提案する。 私たちは、同じデータを微調整しても、モデル行動は劇的に変化し、最高のパフォーマンスのモデルが常に最も医学的に可能なパターンを学習していないことを示しています。
  論文  参考訳（メタデータ） (2021-11-30T15:52:04Z)
• Investigating and Exploiting Image Resolution for Transfer Learning-based Skin Lesion Classification [3.110738188734789]
  CNNは皮膚病変の分類に有効であることが示されている。 本稿では,入力画像サイズが細調整CNNの皮膚病変分類性能に及ぼす影響について検討する。 以上の結果から,64×64ピクセルの非常に小さな画像を用いて分類性能を低下させる一方,128×128ピクセルの画像では画像サイズが大きくなり,分類精度がわずかに向上した。
  論文  参考訳（メタデータ） (2020-06-25T21:51:24Z)

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。