論文の概要: Uncertainty-Aware and Explainable Ensemble Deep Learning Framework for Multi-Class Skin Lesion Classification

• arxiv url: http://arxiv.org/abs/2608.11280v1
• Date: Tue, 11 Aug 2026 10:55:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.319538
• Title: Uncertainty-Aware and Explainable Ensemble Deep Learning Framework for Multi-Class Skin Lesion Classification
• Title（参考訳）: マルチクラス皮膚病変分類のための不確実性と説明可能なアンサンブル深層学習フレームワーク
• Abstract要約: 本稿では皮膚病変分類のための不確実性と説明可能な深層学習フレームワークを提案する。 このフレームワークは、深いアンサンブル学習を通じて視覚変換モデル(MaxViT-Tiny)とCNNベースのモデル(ConvNeXt-TinyとEfficientNetV2-B0)を組み合わせる。 このフレームワークは、不確実性を認識したフィルタリングにおいて、96%の精度と99%のROC-AUCを達成する。
• 参考スコア（独自算出の注目度）: 1.2031796234206136
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Skin cancer diagnosis from dermoscopic images remains challenging due to high intra-class variability, inter-class similarity, class imbalance, and the limited interpretability of deep learning models. This paper proposes an uncertainty-aware and explainable deep learning framework for multi-class skin lesion classification. The framework combines a vision transformer model (MaxViT-Tiny) with CNN-based models (ConvNeXt-Tiny and EfficientNetV2-B0) through deep ensemble learning. Monte Carlo (MC) Dropout estimates predictive uncertainty and identifies unreliable predictions, while Grad-CAM++, an explainable AI (XAI) technique, provides visual explanations by highlighting lesion regions that influence model decisions. Evaluated on the HAM10000 dataset, the framework achieves 96% accuracy and 99% ROC-AUC under uncertainty-aware filtering (entropy < 1.0, confidence >= 0.7), with macro-average precision, recall, and F1-score of 94%, 95%, and 95%, respectively, and 96% weighted-average scores across all three metrics. The results demonstrate accurate, interpretable, and uncertainty-aware skin lesion classification for trustworthy computer-aided diagnosis.
• Abstract（参考訳）: 皮膚内視鏡画像による皮膚癌の診断は,高いクラス内変動,クラス間類似性,クラス不均衡,深層学習モデルの限定的解釈性などにより,依然として困難である。 本稿では,マルチクラス皮膚病変分類のための不確実性と説明可能なディープラーニングフレームワークを提案する。 このフレームワークは、深いアンサンブル学習を通じて視覚変換モデル(MaxViT-Tiny)とCNNベースのモデル(ConvNeXt-TinyとEfficientNetV2-B0)を組み合わせる。 Monte Carlo (MC) Dropoutは予測の不確実性を推定し、信頼性の低い予測を識別する一方で、説明可能なAI(XAI)技術であるGrad-CAM++は、モデル決定に影響を与える病変領域を強調することで、視覚的な説明を提供する。 HAM10000データセットに基づいて評価すると、このフレームワークは不確実性を考慮したフィルタリング(エントロピー<1.0, 信頼>=0.7)の下で96%の精度と99%のROC-AUCを達成し、マクロ平均精度、リコール、F1スコアはそれぞれ94%、95%、95%、および3つの指標で96%の重み付き平均スコアを得た。 以上より,信頼性の高いコンピュータ支援診断のための精度,解釈性,不確実性を考慮した皮膚病変分類が得られた。

関連論文リスト

• A Deep Learning Approach for Automated Skin Lesion Diagnosis with Explainable AI [0.0]
  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。
  論文  参考訳（メタデータ） (2026-01-02T19:21:59Z)
• MelanomaNet: Explainable Deep Learning for Skin Lesion Classification [0.0]
  皮膚病変分類のための説明可能な深層学習システムMelanomaNetを提案する。 25,331枚の皮膚内視鏡画像を含むISIC 2019データセットを用いて本システムの評価を行った。 以上の結果から,包括的解釈可能性とともに高い分類が達成できることが示唆された。
  論文  参考訳（メタデータ） (2025-12-10T03:22:44Z)
• 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)
• MeCaMIL: Causality-Aware Multiple Instance Learning for Fair and Interpretable Whole Slide Image Diagnosis [40.3028468133626]
  MIL(Multiple Case Learning)は、コンピュータ病理学における全スライド画像(WSI)解析の主流パラダイムとして登場した。 因果関係を意識したMILフレームワークである textbfMeCaMIL は、構造化因果グラフを通じて、階層的共同創設者を明示的にモデル化する。 MeCaMILは優れた公正性を達成する -- 人口格差の分散は、属性全体の平均で65%以上減少する。
  論文  参考訳（メタデータ） (2025-11-14T06:47:21Z)
• MSRANetV2: An Explainable Deep Learning Architecture for Multi-class Classification of Colorectal Histopathological Images [3.4859776888706233]
  大腸癌(CRC)は、世界中のがん関連死亡率の高い疾患である。 ディープラーニングアルゴリズムは、診断精度と効率を高めるための強力なアプローチとなっている。 大腸組織像の分類に最適化されたMSRANetV2という畳み込みニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-10-28T07:22:34Z)
• HistoART: Histopathology Artifact Detection and Reporting Tool [37.31105955164019]
  ワイルスライドイメージング(WSI)は、組織標本の詳細な高分解能検査のために広く用いられている。 WSIは、スライドの準備とスキャンの間に導入されたアーティファクトに弱いままです。 本稿では,WSIに対する3つのロバストなアーティファクト検出手法を提案し,比較する。
  論文  参考訳（メタデータ） (2025-06-23T17:22:19Z)
• Comparison of ConvNeXt and Vision-Language Models for Breast Density Assessment in Screening Mammography [39.58317527488534]
  本研究では,BI-RADSシステムを用いた自動分類のためのマルチモーダル法とCNN法の比較を行った。 ゼロショット分類は、微調整されたConvNeXtモデルがBioMedCLIP線形プローブよりも優れた性能を示した。 これらの結果から, マルチモーダル学習の約束にもかかわらず, エンドツーエンドの微調整を施したCNNモデルの方が, 医用画像の特化に有効であることが示唆された。
  論文  参考訳（メタデータ） (2025-06-16T20:14:37Z)
• A Quad-Step Approach to Uncertainty-Aware Deep Learning for Skin Cancer Classification [13.993637404760355]
  ディープラーニングモデルは、皮膚がんの分類を自動化することを約束している。 しかし、データ不足と不確実性に対する認識が限られているため、課題は残る。 本研究では,HAM10000データセットを用いたDLベースの皮膚病変分類の包括的評価を行った。
  論文  参考訳（メタデータ） (2025-06-12T02:29:16Z)
• Enhancing Skin Disease Classification Leveraging Transformer-based Deep Learning Architectures and Explainable AI [2.3149142745203326]
  皮膚疾患は世界の人口の3分の1以上に影響を与えるが、その影響は過小評価されることが多い。 深層学習技術は皮膚疾患の特定を含む様々なタスクに多くの可能性を示してきた。 この研究では、31のクラスを持つ皮膚疾患データセットを使用し、Vision Transformers、Swin Transformers、DivoV2のすべてのバージョンと比較した。
  論文  参考訳（メタデータ） (2024-07-20T05:38:00Z)
• Enhancing Diagnostic Reliability of Foundation Model with Uncertainty Estimation in OCT Images [41.002573031087856]
  光コヒーレンストモグラフィー(OCT)における11個の網膜状態を検出するために,不確実性推定(FMUE)を用いた基礎モデルを開発した。 FMUEは2つの最先端アルゴリズムであるRETFoundとUIOSよりも96.76%高いF1スコアを獲得し、しきい値戦略を98.44%に改善した。 我々のモデルは、F1スコアが高い2人の眼科医(95.17%対61.93% &71.72%)より優れている。
  論文  参考訳（メタデータ） (2024-06-18T03:04:52Z)
• Uncertainty-inspired Open Set Learning for Retinal Anomaly Identification [71.06194656633447]
  9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。 しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。 UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
  論文  参考訳（メタデータ） (2023-04-08T10:47:41Z)
• Vision Transformers for femur fracture classification [59.99241204074268]
  Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。 史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
  論文  参考訳（メタデータ） (2021-08-07T10:12:42Z)

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。