論文の概要: A Generative AI Approach for Reducing Skin Tone Bias in Skin Cancer Classification

• arxiv url: http://arxiv.org/abs/2602.14356v1
• Date: Mon, 16 Feb 2026 00:20:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:49.969309
• Title: A Generative AI Approach for Reducing Skin Tone Bias in Skin Cancer Classification
• Title（参考訳）: 皮膚癌分類における皮膚トーンバイアス低減のためのジェネレーティブAIアプローチ
• Authors: Areez Muhammed Shabu, Mohammad Samar Ansari, Asra Aslam,
• Abstract要約: 皮膚がんは世界中で最も一般的ながんの1つであり、早期発見は効果的な治療に重要である。 現在のAI診断ツールは、より軽い肌のトーンに支配されるデータセットでトレーニングされることが多いため、より暗い肌の人々の正確性と公平性が低下する。 本稿では,皮膚内視鏡画像を用いた皮膚癌自動検出における皮膚緊張不均衡の課題について述べる。
• 参考スコア（独自算出の注目度）: 2.676349883103404
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Skin cancer is one of the most common cancers worldwide and early detection is critical for effective treatment. However, current AI diagnostic tools are often trained on datasets dominated by lighter skin tones, leading to reduced accuracy and fairness for people with darker skin. The International Skin Imaging Collaboration (ISIC) dataset, one of the most widely used benchmarks, contains over 70% light skin images while dark skins fewer than 8%. This imbalance poses a significant barrier to equitable healthcare delivery and highlights the urgent need for methods that address demographic diversity in medical imaging. This paper addresses this challenge of skin tone imbalance in automated skin cancer detection using dermoscopic images. To overcome this, we present a generative augmentation pipeline that fine-tunes a pre-trained Stable Diffusion model using Low-Rank Adaptation (LoRA) on the image dark-skin subset of the ISIC dataset and generates synthetic dermoscopic images conditioned on lesion type and skin tone. In this study, we investigated the utility of these images on two downstream tasks: lesion segmentation and binary classification. For segmentation, models trained on the augmented dataset and evaluated on held-out real images show consistent improvements in IoU, Dice coefficient, and boundary accuracy. These evalutions provides the verification of Generated dataset. For classification, an EfficientNet-B0 model trained on the augmented dataset achieved 92.14% accuracy. This paper demonstrates that synthetic data augmentation with Generative AI integration can substantially reduce bias with increase fairness in conventional dermatological diagnostics and open challenges for future directions.
• Abstract（参考訳）: 皮膚がんは世界中で最も一般的ながんの1つであり、早期発見は効果的な治療に重要である。 しかしながら、現在のAI診断ツールは、より軽い肌のトーンに支配されるデータセットでトレーニングされることが多いため、より暗い肌の人々の正確性と公平性が低下する。 IIC(International Skin Imaging Collaboration)データセットは、最も広く使用されているベンチマークの1つで、70%以上の明るい皮膚イメージと8%未満の暗い皮膚を含んでいる。 この不均衡は、公平な医療提供にとって重要な障壁となり、医療画像における人口動態の多様性に対処する手法に対する緊急の必要性を強調している。 本稿では,皮膚内視鏡画像を用いた皮膚癌自動検出における皮膚緊張不均衡の課題について述べる。 そこで本研究では,ISICデータセットのイメージダークスキンサブセットにLoRA(Lo-Rank Adaptation)を用いて,トレーニング済みの安定拡散モデルを微調整し,病変タイプと皮膚のトーンに適応した合成皮膚内視鏡画像を生成する。 本研究では,2つの下流課題(病変分割と二分分類)におけるこれらの画像の有用性について検討した。 セグメンテーションでは、データセットに基づいてトレーニングされ、保持された実画像に基づいて評価されたモデルは、IoU、Dice係数、境界精度が一貫した改善を示している。 これらの回避は、生成データセットの検証を提供する。 分類のために、拡張データセットでトレーニングされたEfficientNet-B0モデルは92.14%の精度を達成した。 本稿では、ジェネレーティブAI統合による合成データ拡張により、従来の皮膚科診断における公平性の向上と今後の方向性へのオープンな課題により、バイアスを大幅に低減できることを実証する。

関連論文リスト

• SkinGenBench: Generative Model and Preprocessing Effects for Synthetic Dermoscopic Augmentation in Melanoma Diagnosis [0.0]
  生成的アーキテクチャの選択は、前処理の複雑さよりも画像の忠実さと診断ユーティリティの両方に強い影響を与える。 メラノーマF1スコアは8～15%増加し, メラノーマ検出は有意に改善した。
  論文  参考訳（メタデータ） (2025-12-19T13:52:11Z)
• SkinDualGen: Prompt-Driven Diffusion for Simultaneous Image-Mask Generation in Skin Lesions [0.0]
  本稿では, トレーニング済み安定拡散2.0モデルを用いて, 高品質な合成皮膚病変画像を生成する手法を提案する。 実データと合成データを組み合わせたハイブリッドデータセットは、分類とセグメンテーションモデルの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2025-07-26T15:00:37Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• FairSkin: Fair Diffusion for Skin Disease Image Generation [54.29840149709033]
  拡散モデル (DM) は, 合成医用画像の生成において主要な手法となっているが, 臨界二倍偏差に悩まされている。 このようなバイアスを3段階のリサンプリング機構によって緩和する新しいDMフレームワークであるFairSkinを提案する。 本手法は, 画像の多様性と品質を著しく向上させ, 臨床環境における皮膚疾患の検出精度の向上に寄与する。
  論文  参考訳（メタデータ） (2024-10-29T21:37:03Z)
• Skin Cancer Machine Learning Model Tone Bias [1.0539847330971805]
  多くのオープンソースの皮膚がん画像データセットは、より軽い皮膚のトーンを持つ国で実施された臨床試験の結果である。 このトーン不均衡のため、機械学習モデルは、より軽いスキントーンのための皮膚がんを検出するのによく機能する。 これらのモデルのトーンバイアスは、公正な懸念をもたらし、人工知能の健康分野に対する公衆の信頼を低下させる可能性がある。
  論文  参考訳（メタデータ） (2024-10-08T21:33:02Z)
• DDI-CoCo: A Dataset For Understanding The Effect Of Color Contrast In Machine-Assisted Skin Disease Detection [51.92255321684027]
  皮膚のトーンと色差効果の相互作用について検討し,色差が皮膚のトーン間のモデル性能バイアスの新たな原因となる可能性が示唆された。 我々の研究は皮膚疾患の検出を改善するために皮膚科のAIに補完的な角度を提供する。
  論文  参考訳（メタデータ） (2024-01-24T07:45:24Z)
• Generative models improve fairness of medical classifiers under distribution shifts [49.10233060774818]
  データから現実的な拡張を自動的に学習することは、生成モデルを用いてラベル効率の良い方法で可能であることを示す。 これらの学習の強化は、モデルをより堅牢で統計的に公平に配布できることを示した。
  論文  参考訳（メタデータ） (2023-04-18T18:15:38Z)
• Analysis of skin lesion images with deep learning [0.0]
  内視鏡画像の分類における美術の現状を評価します。 ImageNetデータセットに事前トレーニングされた様々なディープニューラルネットワークアーキテクチャは、組み合わせたトレーニングデータセットに適合する。 皮膚病変の8クラスの検出のためのこれらのモデルの性能と適用性を検討する。
  論文  参考訳（メタデータ） (2021-01-11T10:58:36Z)

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。