論文の概要: CAMEO: A Class-Activation-Mapped Equitable Overlay Framework for Fair and Robust Deep Learning-based Skin Condition Diagnosis

• arxiv url: http://arxiv.org/abs/2609.36400v1
• Date: Mon, 28 Sep 2026 23:54:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.071482
• Title: CAMEO: A Class-Activation-Mapped Equitable Overlay Framework for Fair and Robust Deep Learning-based Skin Condition Diagnosis
• Title（参考訳）: CAMEO: 公平でロバストな深層学習に基づく皮膚状態診断のためのクラスアクティベーションマップ付き等価オーバーレイフレームワーク
• Abstract要約: この研究は、説明可能なAI(XAI)を、診断精度を犠牲にすることなく、このショートカットを修正するアクティブなトレーニング信号として再利用できるかどうかを問うものである。 CAMEOは、安定なモデル説明を選択し、それらの背景から病変を分離することで、皮膚・歯列分類を改善するフレームワークである。 HAM10000と暗色のISIC画像では、CAMEOは背景駆動誤差を約4倍に削減しながら精度を維持した。
• 参考スコア（独自算出の注目度）: 1.2891210250935148
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning classifiers for dermoscopic skin lesions often reach high in-distribution accuracy while quietly relying on spurious background cues such as skin tone, device vignetting, and embedded rulers, rather than on lesion morphology. This undermines robustness and fairness across skin tones. This work asks whether Explainable AI (XAI), typically used only to audit a finished model, can instead be repurposed as an active training signal that corrects this shortcut without sacrificing diagnostic accuracy. We introduce CAMEO (Class Activation Mapped Equitable Overlay), a framework that improves skin-lesion classification by selecting stable model explanations and using them to separate lesions from their backgrounds. It then replaces the background with realistic synthetic skin while keeping the lesion unchanged. On HAM10000 and dark-skin ISIC images, CAMEO maintained accuracy while reducing background-driven errors by nearly four times. It also made the model's attention more consistent when backgrounds changed. Results across multiple tests show that reducing reliance on background information improves robustness, with Fitzpatrick-based backgrounds providing a realistic and interpretable approach. Results show that XAI-guided augmentation can make dermoscopic classifiers measurably more robust and fair at no cost to accuracy. They also clarify that it is the mechanism and not the specific tone palette that matters, and that the lasting contribution of XAI here lies in stability-screened, annotation-free lesion localisation rather than in the robustness number itself.
• Abstract（参考訳）: 皮膚内視鏡的皮膚病変の深層学習分類器は、病変形態ではなく、皮膚のトーン、装置のナビネット、埋め込み定規といった刺激的な背景手がかりを静かに頼りながら、高い分布精度に達することが多い。 これは肌のトーンの頑丈さと公平さを損なう。 この研究は、通常完成モデルの監査にのみ使用されるExplainable AI(XAI)を、診断精度を犠牲にすることなく、このショートカットを補正するアクティブトレーニング信号として再利用できるかどうかを問うものである。 CAMEO(Class Activation Mapped Equitable Overlay)は、安定なモデル説明を選択し、それらの背景から病変を分離することで、皮膚疾患の分類を改善するフレームワークである。 その後、背景をリアルな合成皮膚に置き換え、病変をそのまま維持する。 HAM10000と暗色のISIC画像では、CAMEOは背景駆動誤差を約4倍に削減しながら精度を維持した。 また、背景が変わったときにモデルの注意をより一貫したものにした。 複数のテストの結果、バックグラウンド情報への依存を減らすことで堅牢性が向上し、Fitzpatrickベースのバックグラウンドは現実的で解釈可能なアプローチを提供する。 以上の結果から,XAI誘導による拡張により,鏡視下分類器の信頼性が向上し,精度が向上する可能性が示唆された。 彼らはまた、それは重要な特定のトーンパレットではなくメカニズムであり、XAIの持続的な貢献は、堅牢性そのものではなく、安定性にスクリーニングされた、アノテーションのない病変の局所化にあることも明らかにした。

関連論文リスト

• DriftScope: Measuring The Hidden Effects of Diffusion Model Adaptation [50.584834483403675]
  新しい視覚概念を学習するか、望ましくないものを消去するか、事前学習したテキスト・画像拡散モデルに適応させることは、意図した効果だけで日常的に評価される。 適応が意味論的に無関係な概念を、構造的にメトリクスを集約することができない方法で体系的に損なうことを実証する。 DriftScopeは、任意の2つのモデルチェックポイントを取り込み、視覚的概念が最も移行したトークンのランクリストを返す、プロンプトレベルの診断ツールである。
  論文  参考訳（メタデータ） (2026-06-30T20:57:51Z)
• 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)
• Controllable Skin Synthesis via Lesion-Focused Vector Autoregression Model [23.122488283724433]
  この研究は、高忠実で臨床的に関連のある合成皮膚画像を生成する上で、制御可能な皮膚合成モデルの有効性を強調した。 本手法は7種類の病変のFIDスコア(平均0.74)を最大化し,従来のSOTA(State-of-the-art)を6.3%改善した。
  論文  参考訳（メタデータ） (2025-08-27T07:04:58Z)
• GRASP-PsONet: Gradient-based Removal of Spurious Patterns for PsOriasis Severity Classification [0.0]
  本稿では,突発的な相関を導入し,問題のあるトレーニングイメージを自動的にフラグするフレームワークを提案する。 フラグ付き画像の8.2%は、保持されたテストセットでモデルAUC-ROCを5%(85%から90%)改善する。 2人の皮膚科医によって評価された訓練データのサブセットに適用した場合、この方法は、レイター間不一致の90%以上を識別する。
  論文  参考訳（メタデータ） (2025-06-27T03:42:09Z)
• Confidence-aware Denoised Fine-tuning of Off-the-shelf Models for Certified Robustness [56.2479170374811]
  我々はFT-CADIS(Fun Fine-Tuning with Confidence-Aware Denoized Image Selection)を紹介する。 FT-CADISは、既成の分類器の信頼性が、視覚的平滑化中の幻覚像を効果的に識別できるという観察に着想を得たものである。 様々なベンチマークにおいて、すべての$ell$-adversary半径にわたる偏微分平滑化法のうち、最先端の証明されたロバスト性を確立している。
  論文  参考訳（メタデータ） (2024-11-13T09:13:20Z)
• PatchAlign:Fair and Accurate Skin Disease Image Classification by Alignment with Clinical Labels [0.12233362977312943]
  我々は,皮膚条件画像の分類精度と公平性を高めるために,新しいアプローチであるPatchAlignを導入する。 PatchAlignは、グラフ最適トランスポート(GOT)ロスを正規化子として、クロスドメインアライメントを実行する。 皮膚の音色間の正の正の比率の公平性は一貫して向上する。
  論文  参考訳（メタデータ） (2024-09-08T05:00:37Z)
• 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)
• How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers? [49.35105290167996]
  プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。 この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
  論文  参考訳（メタデータ） (2023-08-17T20:40:30Z)
• DOMINO: Domain-aware Model Calibration in Medical Image Segmentation [51.346121016559024]
  現代のディープニューラルネットワークはキャリブレーションが不十分で、信頼性と信頼性を損なう。 本稿では,クラスラベル間のセマンティック・コンフューザビリティと階層的類似性を利用したドメイン認識モデルキャリブレーション手法であるDOMINOを提案する。 その結果,DOMINOを校正したディープニューラルネットワークは,頭部画像分割における非校正モデルや最先端形態計測法よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-13T15:31:52Z)
• Improving Lesion Detection by exploring bias on Skin Lesion dataset [0.0]
  ISIC Archiveは、ディープラーニングベースのツールをベンチマークするのに最も使用される皮膚病変ソースの1つである。 深層学習モデルは、入力データに臨床的に意味のある情報を持たずに皮膚病変画像を分類することができる。 長方形境界箱型マスクの代わりに形状保存マスクを生成する実験を行った。
  論文  参考訳（メタデータ） (2020-10-04T05:04:58Z)

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。