論文の概要: Multi-Dataset Diagnostic Utility of Clinical Visual Concepts in AI Systems for Dermatology

• arxiv url: http://arxiv.org/abs/2610.08086v1
• Date: Tue, 06 Oct 2026 10:17:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.930305
• Title: Multi-Dataset Diagnostic Utility of Clinical Visual Concepts in AI Systems for Dermatology
• Title（参考訳）: 皮膚科用AIシステムにおける臨床視覚概念のマルチデータセット診断の有用性
• Abstract要約: SkinLexは、4つのパブリックデータセットにまたがる48の臨床形態学的属性の調和データセットである。 結果は、概念ベースのモデルに対する入力を減らすことで、臨床利益に変換できる。
• 参考スコア（独自算出の注目度）: 37.91382919873667
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The clinical integration of AI systems in digital dermatology relies heavily on human trust. Clinically interpretable visual concepts can act as intermediate representations enhancing trust and reliability. However, research in this domain is currently limited by scattered, heterogeneous dataset annotations. In this work, we introduce SkinLex, a harmonized dataset of 48 clinical morphological attributes across four public datasets (SkinCon, DermaCon-IN, MM-Skin, and PASSION) for a total of 20,411 records. Supervised nine-partition classification of skin conditions shows that limiting features to specific visual groups, like shapes or colors alone, reduces diagnostic accuracy. Bootstrapped backward elimination reveals that the set of 48 visual concepts has some degree of redundancy for algorithmic nine-partition diagnosis on the examined dataset. This demonstrates that coarse diagnosis on the selected dataset requires a relatively small but varied combination of clinical concepts, and motivates further research to improve concept taxonomy. Results can be translated into clinical benefits by reducing inputs for concept-based models, improving efficiency for annotation and modeling, and further enhancing interpretability. Code and prompt templates are available at https://github.com/Digital-Dermatology/SkinLex.
• Abstract（参考訳）: デジタル皮膚学におけるAIシステムの臨床的統合は、人間の信頼に大きく依存している。 臨床的に解釈可能な視覚概念は、信頼と信頼性を高める中間表現として機能する。 しかし、この領域の研究は、現在、散在する異種データセットアノテーションによって制限されている。 本研究では,4つの公開データセット(SkinCon,DermaCon-IN,MM-Skin,PASSION)にまたがる48の臨床形態学的属性の調和データセットであるSkinLexについて,合計20,411レコードについて紹介する。 皮膚の状態の9つの部分の分類は、形状や色のみのような特定の視覚グループに限定した特徴が診断精度を低下させることを示している。 ブートストラップ付き逆方向除去法により,48個の視覚概念の集合が,アルゴリズムによる9分割診断にある程度の冗長性を有することが明らかとなった。 このことは、選択されたデータセットの粗い診断が比較的小さいが多様な臨床概念の組み合わせを必要としていることを示し、概念分類を改善するためにさらなる研究を動機付けている。 結果は、概念ベースモデルの入力を減らし、アノテーションとモデリングの効率を向上し、解釈可能性を高めることで、臨床的利益に変換できる。 コードとプロンプトテンプレートはhttps://github.com/Digital-Dermatology/SkinLexで入手できる。

関連論文リスト

• Multimodal Graph-based Classification of Esophageal Motility Disorders [73.90451172929117]
  食道運動障害の診断は,高分解能インピーダンス測定データの複雑化と臨床解釈の多様性が原因で大きな課題となる。 本研究は,HRIM記録と患者固有の情報を組み合わせたマルチモーダル機械学習に基づく分類手法の実現可能性について検討し,食道生理学のグラフベースモデリングを取り入れた。
  論文  参考訳（メタデータ） (2026-05-13T14:52:12Z)
• CRAFT: Clinical Reward-Aligned Finetuning for Medical Image Synthesis [9.138093654971831]
  臨床アライメントのための基礎モデルに基づくプロキシである臨床アライメントスコア(CAS)を紹介した。 報酬に基づく適応フレームワークであるCRAFTを提案する。 CRAFTは、強力な適応ベースラインよりもCASと下流分類性能を向上する。
  論文  参考訳（メタデータ） (2026-05-12T18:56:34Z)
• 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)
• Interpretable Clinical Classification with Kolgomorov-Arnold Networks [70.72819760172744]
  Kolmogorov-Arnold Networks (KAN) は、透明で象徴的な表現を通じて固有の解釈能力を提供する。 Kansは、組み込みの患者レベルの洞察、直感的な可視化、最寄りの患者の検索をサポートする。 これらの結果は、カンを、臨床医が理解し、監査し、行動できる信頼できるAIへの有望なステップと位置づけている。
  論文  参考訳（メタデータ） (2025-09-20T17:21:58Z)
• DermaCon-IN: A Multi-concept Annotated Dermatological Image Dataset of Indian Skin Disorders for Clinical AI Research [3.3114401663331137]
  DermaCon-INは、南インドで約3000人の患者から5450件以上の臨床画像が収集されたデータセットである。 それぞれの画像は、240以上の異なる診断がなされ、階層的、エチオロジーに基づく分類の下に構築された、ボード認証された皮膚科医によって注釈付けされる。 このデータセットは、インドにおける外来医療でよく見られる皮膚学的な状況と声調の変化を、幅広い範囲で捉えている。
  論文  参考訳（メタデータ） (2025-06-06T13:59:08Z)
• Self-Supervised Multi-Modality Learning for Multi-Label Skin Lesion Classification [15.757141597485374]
  マルチモーダル皮膚病変分類のための自己教師付き学習アルゴリズムを提案する。 本アルゴリズムは,2対の皮膚内視鏡像と臨床像との類似性を最大化することにより,マルチモーダリティ学習を実現する。 以上の結果から,我々のアルゴリズムは最先端のSSLよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2023-10-28T04:16:08Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• 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)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)

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。