論文の概要: Bridging Research and Practice: A Systematic Evaluation of Generalist and Dermatology-Specific Models in Clinical Skin Lesion Classification

• arxiv url: http://arxiv.org/abs/2610.03193v1
• Date: Fri, 02 Oct 2026 12:09:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.357248
• Title: Bridging Research and Practice: A Systematic Evaluation of Generalist and Dermatology-Specific Models in Clinical Skin Lesion Classification
• Title（参考訳）: ブリッジング研究と実践:臨床皮膚病変分類におけるジェネリストと皮膚学の体系的評価
• Abstract要約: 我々は,近年の皮膚科学データセットにおいて,皮膚内視鏡画像とスマートフォンベースの臨床写真にまたがる多種多様なアーキテクチャをベンチマークした。 本研究は,分布変化,モダリティ変化,人口変動を考慮したモデル性能の評価を行う。 現在の最先端モデルと臨床展開の要件とのギャップを定量化することにより、皮膚科のための信頼性、アクセシビリティ、臨床応用AIシステムの開発に寄与することを目指している。
• 参考スコア（独自算出の注目度）: 1.3956847386512115
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The application of machine learning to dermatology has grown substantially in recent years, moving beyond proof-of-concept studies toward potential applications. However, clinical dermatology remains a challenging and still open problem. Diagnostic assessment is often ambiguous, and skin lesions exhibit high variability, compounded by differences in acquisition modality, device quality, and patient demographics. These factors hinder the development of robust models suitable for safe and equitable clinical use. To support translation into practice, it is essential to systematically evaluate how contemporary models generalize across heterogeneous data sources. In this work, we benchmark a diverse set of architectures on recent dermatology datasets, spanning dermoscopic images and smartphone-based clinical photographs. We assess the robustness of recent general-purpose and medical vision-language models, as well as foundation models, and compare them against task-specific dermatology classifiers, including embedding-based approaches and convolutional neural networks. Our study provides an evaluation of model performance under distribution shifts, modality changes, and demographic variability. By quantifying the gap between current state-of-the-art models and the requirements of clinical deployment, we aim to contribute to the development of reliable, accessible, and clinically applicable AI systems for dermatology.
• Abstract（参考訳）: 機械学習の皮膚科学への応用は近年大きく成長し、概念実証研究を超えて潜在的な応用へと移行している。 しかし、臨床皮膚科は依然として困難で未解決の課題である。 診断的評価はしばしば曖昧であり、皮膚病変は高い多様性を示し、獲得モダリティ、デバイス品質、患者人口の差が混在している。 これらの要因は、安全で公平な臨床使用に適した堅牢なモデルの開発を妨げる。 翻訳の実践を支援するためには、同時代のモデルが異種データソース間でどのように一般化するかを体系的に評価することが不可欠である。 本研究は,近年の皮膚科学のデータセットに基づいて,皮膚内視鏡画像とスマートフォンによる臨床写真にまたがる多種多様なアーキテクチャをベンチマークする。 近年の汎用・医療用視覚言語モデルと基礎モデルとの堅牢性を評価し, 組込み型アプローチや畳み込み型ニューラルネットワークを含むタスク特異的皮膚科分類器と比較した。 本研究は,分布変化,モダリティ変化,人口変動を考慮したモデル性能の評価を行う。 現在の最先端モデルと臨床展開の要件とのギャップを定量化することにより、皮膚科のための信頼性、アクセシビリティ、臨床応用AIシステムの開発に寄与することを目指している。

関連論文リスト

• Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
  MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。 消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。 本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-21T07:47:37Z)
• Towards Automated Differential Diagnosis of Skin Diseases Using Deep Learning and Imbalance-Aware Strategies [1.1785523927214931]
  皮膚条件の分類と診断のための深層学習モデルを開発した。 皮膚疾患画像データセットの事前トレーニングを活用することで,視覚的特徴を効果的に抽出し,皮膚科のさまざまな症例を正確に分類した。 このモデルはISIC 2019データセットの8つの皮膚病変クラスで87.71パーセントの予測精度を達成した。
  論文  参考訳（メタデータ） (2026-01-01T09:53:44Z)
• 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)
• A Clinical Benchmark of Public Self-Supervised Pathology Foundation Models [2.124312824026935]
  本研究は, がん診断を含む臨床関連エンドポイントと, 2つの医療センターからの標準病院手術中に発生する各種バイオマーカーとを関連づけた臨床スライドを含む病理データセットの収集について述べる。 これらのデータセットを利用して、公共病理基盤モデルの性能を体系的に評価し、新しい基礎モデルをトレーニングし、適切な事前学習モデルを選択するためのベストプラクティスに関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-07-09T02:33:13Z)
• Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
  本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。 この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-02-16T05:16:20Z)
• Robust and Interpretable Medical Image Classifiers via Concept Bottleneck Models [49.95603725998561]
  本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。 具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
  論文  参考訳（メタデータ） (2023-10-04T21:57:09Z)
• What Do You See in this Patient? Behavioral Testing of Clinical NLP Models [69.09570726777817]
  本稿では,入力の変化に関する臨床結果モデルの振る舞いを評価する拡張可能なテストフレームワークを提案する。 私たちは、同じデータを微調整しても、モデル行動は劇的に変化し、最高のパフォーマンスのモデルが常に最も医学的に可能なパターンを学習していないことを示しています。
  論文  参考訳（メタデータ） (2021-11-30T15:52:04Z)

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。