論文の概要: Methodology for Creating a Clinically Verified Dermoscopic Image Dataset

• arxiv url: http://arxiv.org/abs/2605.25168v1
• Date: Sun, 24 May 2026 16:56:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.933107
• Title: Methodology for Creating a Clinically Verified Dermoscopic Image Dataset
• Title（参考訳）: 臨床的に検証された皮膚内視鏡画像データセットの作成方法
• Authors: Kozachok Elena Sergeevna,
• Abstract要約: 本研究は,医療情報学研究のための皮膚内視鏡画像の臨床的に検証されたデータセットを構築するための方法論を提案する。 国際コレクションは主に、通常のロシアの外来診療と移動皮膚内視鏡とは大きく異なる条件下で作成されました。 この手法を用いて,2025年6月から2026年5月までに443人の患者から1,026個の皮膚内視鏡像を収集した。 病理組織学的には39例の悪性病変がみられた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This study presents a methodology for constructing a clinically verified dataset of dermatoscopic images for medical informatics research. The relevance of the work is driven by the fact that the performance of automated diagnostic support systems depends not only on the volume of images, but also on the reproducibility of the image acquisition procedure, the completeness of structured metadata, and the reliability of diagnostic labels. International collections were primarily created under conditions that differ substantially from routine Russian outpatient practice and mobile dermatoscopy. The proposed methodology integrates three interconnected components: (1) a standard operating procedure (SOP) for acquiring images via mobile dermatoscopy, (2) an information model comprising 16 structured metadata fields organized into six clinically oriented blocks in ISIC-compatible notation, and (3) a multi-stage expert verification of diagnostic labels (initial clinical annotation, consensus review by three specialists, and histological confirmation of all malignant neoplasms). Using this methodology, a dataset of 1,026 unique dermatoscopic images from 443 patients was collected between June 2025 and May 2026. From 1,044 initial records, 18 duplicates were excluded. The dataset includes nine nosological categories; all 39 malignant lesions (18 melanomas, 15 basal cell carcinomas, and 6 squamous cell carcinomas) were histologically verified. Patient age ranged from 2 to 90 years (median 38), with 279 females (63%) and 164 males (37%). Each image is accompanied by expert-annotated dermatoscopic structures and an explicit verification_stage field indicating the level of diagnostic confirmation. The resulting dataset serves as a pilot clinically verified resource suitable for independent model evaluation, domain shift analysis, interpretability studies, and further expansion.
• Abstract（参考訳）: 本研究は,医療情報学研究のための皮膚内視鏡画像の臨床的に検証されたデータセットを構築するための方法論を提案する。 自動診断支援システムの性能は、画像のボリュームだけでなく、画像取得手順の再現性、構造化メタデータの完全性、診断ラベルの信頼性にも依存する。 国際コレクションは主に、通常のロシアの外来診療と移動皮膚内視鏡とは大きく異なる条件下で作成されました。 提案手法は,(1)移動皮膚内視鏡による画像取得のための標準的な手術手順(SOP),(2)ISIC互換表記法における6つの臨床指向のブロックに組織された16の構造化メタデータフィールドからなる情報モデル,(3)診断ラベルの多段階の専門家による検証(初期臨床アノテーション,3人の専門家によるコンセンサスレビュー,およびすべての悪性腫瘍の組織学的確認)の3つのコンポーネントを統合した。 この手法を用いて,2025年6月から2026年5月までに443人の患者から1,026個の皮膚内視鏡像を収集した。 1,044件の初期記録から18件の複製が除外された。 病理組織学的に39例の悪性病変(黒色腫18例,基底細胞癌15例,扁平上皮癌6例)が確認された。 年齢は2歳から90歳(38歳)、女性279名(63%)、男性164名(37%)であった。 各画像には、専門家注釈の皮膚内視鏡構造と、診断確認のレベルを示す明示的な検証_ステージフィールドが添付されている。 得られたデータセットは、独立したモデル評価、ドメインシフト分析、解釈可能性研究、さらなる拡張に適した、試験的に検証されたリソースとして機能する。

関連論文リスト

• 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)
• DeepGI: Explainable Deep Learning for Gastrointestinal Image Classification [0.0]
  この研究は、可変照明、ゆらぎのあるカメラアングル、頻繁な画像アーティファクトなど、一般的な内視鏡的課題に直面している。 最高性能のVGG16とMobileNetV2はそれぞれ96.5%の精度を達成した。 このアプローチには、Grad-CAM視覚化による説明可能なAIが含まれており、モデル予測に最も影響を及ぼす画像領域の識別を可能にする。
  論文  参考訳（メタデータ） (2025-11-26T22:35:57Z)
• Robust and Interpretable COVID-19 Diagnosis on Chest X-ray Images using Adversarial Training [0.8287206589886881]
  我々は、33,000以上の胸部X線画像(CXR)で21の畳み込みニューラルネットワーク(CNN)モデルを訓練し、健康、新型コロナウイルス、非新型コロナウイルスの肺炎CXRを分類した。 得られたモデルは、それぞれ97.03%、97.97%、99.95%の3方向の分類精度、リコール、精度を達成した。
  論文  参考訳（メタデータ） (2023-11-23T23:40:01Z)
• A Transformer-based representation-learning model with unified processing of multimodal input for clinical diagnostics [63.106382317917344]
  本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。 統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
  論文  参考訳（メタデータ） (2023-06-01T16:23:47Z)
• Spectral Machine Learning for Pancreatic Mass Imaging Classification [2.841795278340179]
  ct画像を用いた膵腫瘤スクリーニングにはspectrum machine learning法が用いられる。 サンプル外診断分類では試験精度94.6%を達成した。
  論文  参考訳（メタデータ） (2021-05-03T10:17:32Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• A Patient-Centric Dataset of Images and Metadata for Identifying Melanomas Using Clinical Context [39.10946113351587]
  2020 SIIM-ISIC メラノーマ分類データセットは、以前の課題と臨床実践の相違に対処するために構築された。 このデータセットは、3大陸の患者2,056人で、患者1人あたり平均16の病変がある。
  論文  参考訳（メタデータ） (2020-08-07T20:22:23Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。