論文の概要: Disease Burden over Skin Tone: Decomposing the Dermatology-AI Generalization Gap

• arxiv url: http://arxiv.org/abs/2609.02111v1
• Date: Wed, 02 Sep 2026 04:55:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.090534
• Title: Disease Burden over Skin Tone: Decomposing the Dermatology-AI Generalization Gap
• Title（参考訳）: 皮膚の皮膚障害 : 皮膚科-AI一般化ギャップを分解して
• Abstract要約: 一般化不良は, 主にスキン・トーン・アンダーレプレメンテーションや病因分布シフトによって引き起こされるか検討した。 モデルは、トーン層化疾患マッチングデータセットと、疾患シフトトーン多様性データセットで評価される。 以上の結果より, 疾患分布の変化が皮膚のトーン以上に寄与していることが示唆された。
• 参考スコア（独自算出の注目度）: 0.7068165275780814
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dermatology artificial intelligence (AI) models are predominantly trained on light-skinned, cancer-focused image collections, yet they are increasingly proposed for deployment in resource-constrained settings where patients differ from training populations along two confounded axes: skin tone and disease distribution. We investigate whether poor generalization is primarily caused by skin-tone underrepresentation or disease-distribution shift. We evaluate a cancer-trained baseline (ResNet-50 fine-tuned on HAM10000 and ISIC 2019), two dermatology foundation models (DermLIP and MONET), and a general-purpose vision model (DINOv3) as frozen feature extractors. Models are evaluated on a tone-stratified disease-matched dataset (Diverse Dermatology Images, DDI) and a disease-shifted tone-diverse dataset (Skin Condition Image Network, SCIN). Our results show that disease-distribution shift contributes more than skin tone in the evaluated settings. The cancer baseline decreases from 0.62 to 0.21 balanced accuracy when transferred to unfamiliar clinical conditions, while the within-disease skin-tone gap is smaller (0.10-0.18) and inconsistent. Label-free representation analysis shows that this failure reflects a representational limitation rather than only missing output labels: cancer-specialized features poorly cluster unfamiliar conditions (kNN purity lift +0.06 over chance), whereas dermatology-pretrained features retain stronger transferable structure (+0.23). Finally, we show that representation quality predicts recoverable performance under lightweight adaptation. Starting from dermatology foundation models, approximately ten labeled examples per clinical category recover most attainable performance. We release the evaluation protocol and code to support reproducible auditing of dermatology AI generalization.
• Abstract（参考訳）: 皮膚科人工知能(AI)モデルは、主に光肌で、がんに焦点を当てた画像収集に基づいて訓練されているが、患者は、皮膚のトーンと疾患の分布という2つの整合した軸に沿って、訓練された集団とは異なるリソース制約された環境に展開することがますます提案されている。 一般化不良は, 主にスキン・トーン・アンダーレプレメンテーションや病因分布シフトによって引き起こされるか検討した。 がん訓練ベースライン(HAM10000とISIC 2019を微調整したResNet-50)、皮膚科基礎モデル(DermLIPとMONET)、および汎用視覚モデル(DINOv3)を凍結抽出剤として評価した。 DDI(Diverse Dermatology Images)とSCIN(Skin Condition Image Network, Skin Condition Image Network, Skin Condition Image Network)でモデルを評価する。 以上の結果より, 疾患分布の変化が皮膚のトーン以上に寄与していることが示唆された。 がんベースラインは、不慣れな臨床条件に移行した場合の精度が0.62から0.21に低下するが、非溶解性皮膚-トーンギャップは小さく(0.10-0.18)、矛盾しない。 ラベルのない表現分析は、この失敗は出力ラベルの欠落よりも表現的制限を反映していることを示している: がん特異的な特徴は、クラスタ不慣れな条件(kNN純度リフト+0.06オーバーチャンス)が不十分であるのに対して、皮膚学に制限された特徴は、より強い転写可能な構造(+0.23)を維持している。 最後に,表現品質が軽量適応下での回復可能な性能を予測することを示す。 皮膚科学基礎モデルから始めると、臨床カテゴリー毎の約10のラベル付き例が、最も達成可能なパフォーマンスを回復する。 皮膚科のAI一般化の再現可能な監査を支援するための評価プロトコルとコードをリリースする。

関連論文リスト

• BenchX: Benchmarking AI Models for Cancer Detection and Localization with Demographic and Protocol Biases [59.19934491064188]
  人工知能(AI)は医療画像において顕著な成功を収めた。 これらのモデルは、実世界の臨床環境において矛盾なく機能することが多い。 我々は,12種類の腫瘍検出AIモデルを体系的に評価する85,355個のCTスキャンのベンチマークを開発した。
  論文  参考訳（メタデータ） (2026-06-23T17:58:59Z)
• DermaFlux: Synthetic Skin Lesion Generation with Rectified Flows for Enhanced Image Classification [72.0680382603686]
  DermaFluxは、臨床に接地した皮膚の病変画像を合成する修正フローベースのテキスト画像生成フレームワークである。 Llama 3.2で生成された合成テキストキャプションを用いて画像とテキストのペアを構築する。 ImageNet-pretrained ViT fine-tuned with only 2,500 real image and 4,375 DermaFlux- generated samples achieves 78.04% binary classification accuracy and a AUC of 0.859。
  論文  参考訳（メタデータ） (2026-03-17T11:25:46Z)
• A Generative AI Approach for Reducing Skin Tone Bias in Skin Cancer Classification [2.676349883103404]
  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。
  論文  参考訳（メタデータ） (2026-02-16T00:20:56Z)
• Colorimeter-Supervised Skin Tone Estimation from Dermatoscopic Images for Fairness Auditing [0.0]
  我々は,Fitzpatrickの皮膚型を予測するニューラルネットワークを,順序回帰(ordinal regression)と色回帰(Personal Typology Angle,ITA)により構築する。 高速なスキントーンアノテーションとバイアス監査のためのオープンソースツールとして,コードと事前訓練されたモデルをリリースする。 これは、我々の知る限り、最初の皮膚内視鏡的皮膚-音色推定ニューラルネットワークであり、色調測定に対して有効である。
  論文  参考訳（メタデータ） (2026-02-10T20:20:45Z)
• Adapting Large Language Models to Mitigate Skin Tone Biases in Clinical Dermatology Tasks: A Mixed-Methods Study [2.3034630097498883]
  皮膚疾患に対するSkinGPT-4(SkinGPT-4)の性能バイアスについて検討した。 我々は、SkinGPT-4のバックボーンを利用して、カスタム皮膚疾患分類タスクのための微調整モデルを開発した。
  論文  参考訳（メタデータ） (2025-09-28T09:40:40Z)
• DermINO: Hybrid Pretraining for a Versatile Dermatology Foundation Model [92.66916452260553]
  DermNIOは皮膚科学の多目的基盤モデルである。 自己教師型学習パラダイムを増強する、新しいハイブリッド事前学習フレームワークが組み込まれている。 さまざまなタスクにおいて、最先端のモデルよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-08-17T00:41:39Z)
• 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)
• 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)
• Evaluating Machine Learning-based Skin Cancer Diagnosis [0.0]
  この研究は、MobileNetベースのモデルとカスタムCNNモデルの2つの畳み込みニューラルネットワークアーキテクチャを評価する。 どちらのモデルも、皮膚病変を7つのカテゴリに分類し、危険病変と良性病変を区別する能力について評価されている。 この研究は、モデルが説明可能性を示す一方で、異なる肌のトーンの公平性を確保するためにさらなる開発が必要であると結論付けている。
  論文  参考訳（メタデータ） (2024-09-04T02:44:48Z)
• 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)
• A Web-based Mpox Skin Lesion Detection System Using State-of-the-art Deep Learning Models Considering Racial Diversity [1.846958522363092]
  以前は「モンキーポックス」と呼ばれていた「ムポックス」は、公衆衛生上重要な問題となり、世界中で110か国以上に広まっている。 ポリメラーゼ連鎖反応(PCR)に基づく診断がすぐには利用できない場合に、コンピュータ支援スクリーニングツールが有用であることが証明されている。 深層学習法は複雑なデータ表現を学習する上で強力であるが、その有効性は主に適切なトレーニングデータに依存している。
  論文  参考訳（メタデータ） (2023-06-25T08:23:44Z)

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。