論文の概要: When Annotation Patterns Are Learned: Skin-Tone Dependence in Dermatology Concepts

• arxiv url: http://arxiv.org/abs/2610.30901v1
• Date: Thu, 22 Oct 2026 08:24:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.281339
• Title: When Annotation Patterns Are Learned: Skin-Tone Dependence in Dermatology Concepts
• Title（参考訳）: アノテーションパターンが学習されるとき-皮膚学概念における皮膚音素依存性-
• Abstract要約: 概念ボトルネックモデル(CBM)により、臨床医は臨床概念を通じて皮膚疾患を検査し、修正することができる。 スキントーン全体にわたって広く使用されている皮膚科のコンセプトデータセットであるSkinConの信頼性を監査する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Concept bottleneck models (CBMs) let clinicians inspect and correct skin disease diagnoses through clinical concepts, but only if the concept annotations are reliable. We therefore audit the reliability of SkinCon, a widely used dermatology concept dataset, across skin tones. Within the same disease and with near duplicates removed, erythema is annotated far less often on dark than on light skin, with an odds ratio of 0.17. In contrast, hyperpigmentation and hypopigmentation are annotated more often, with odds ratios of 6.2 and 4.5, respectively. We refer to this pattern as tone-dependent concept annotation. An evidential concept model trained on these annotations learns the same pattern and reproduces it on unseen images. Such a model may agree with potential erythema omissions rather than contradict them. Consistent with this, three label error detectors underperform a disease-only baseline at finding erythema that dermatologist captions mention but SkinCon labels as absent. The three detectors are based on confident learning, training dynamics, and the model's own evidential uncertainty. Concept annotations should thus be audited within each subgroup before explanations built on them can be trusted.
• Abstract（参考訳）: 概念ボトルネックモデル(CBM)により、臨床医は臨床概念を通じて皮膚疾患を検査し、修正することができるが、概念アノテーションが信頼できる場合のみである。 そこで我々は皮膚のトーンにまたがって広く使われている皮膚科のコンセプトデータセットであるSkinConの信頼性を監査した。 同じ疾患とほぼ重複を除去した状態で、エロテマは軽い皮膚よりも暗く、オッズ比は0.17である。 対照的に、ハイパーピグメンテーションと低ピグメンテーションはより頻繁に注釈され、オッズ比はそれぞれ6.2と4.5である。 このパターンをトーンに依存した概念アノテーションと呼ぶ。 これらのアノテーションに基づいてトレーニングされた明確な概念モデルは、同じパターンを学び、見えない画像でそれを再現する。 そのようなモデルは、それらと矛盾するのではなく、潜在的なエリテマ欠失と一致するかもしれない。 これとは対照的に、3つのラベルエラー検出器は、皮膚科医のキャプションで言及されているエリテマの発見において、疾患のみのベースラインを過小評価しているが、SkinConのラベルは欠落している。 3つの検出器は、自信のある学習、トレーニングダイナミクス、そしてモデル自身の明らかな不確実性に基づいている。 したがって、概念アノテーションは各サブグループ内で監査され、その上に構築された説明が信頼される前に行われるべきである。

関連論文リスト

• 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)
• Seeing the Trees for the Forest: Rethinking Weakly-Supervised Medical Visual Grounding [45.248265283405004]
  現在のモデルは、非効率な注意機構ときめ細かいトークン表現の欠如により、テキスト記述と病気領域を関連付けるのに苦労している。 本稿では、VLMの説明可能性マップを用いて、適切な画像特徴を識別する病原体認識プロンプト(DAP)を提案する。 DAPは3つの主要な胸部X線データセットの最先端手法と比較して、視覚的接地精度を20.74%向上させる。
  論文  参考訳（メタデータ） (2025-05-21T05:16:45Z)
• Concept-Attention Whitening for Interpretable Skin Lesion Diagnosis [7.5422729055429745]
  皮膚病変診断のための新しい概念認識白化(CAW)フレームワークを提案する。 前枝では,CAW層を挿入した畳み込みニューラルネットワーク(CNN)を訓練し,皮膚病変の診断を行った。 後者のブランチでは、マトリクスはコンセプトアテンションマスクのガイダンスに基づいて計算される。
  論文  参考訳（メタデータ） (2024-04-09T04:04:50Z)
• 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)
• 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)
• Coherent Concept-based Explanations in Medical Image and Its Application to Skin Lesion Diagnosis [0.0]
  既存のメラノーマ皮膚病変診断のための深層学習アプローチはブラックボックスモデルとみなす。 本稿では,概念ベースモデルの解釈可能性を改善するために,本質的に解釈可能なフレームワークを提案する。 本手法は皮膚病変分類のための既存のブラックボックスとコンセプトベースモデルより優れている。
  論文  参考訳（メタデータ） (2023-04-10T13:32:04Z)
• SkinCon: A skin disease dataset densely annotated by domain experts for fine-grained model debugging and analysis [9.251248318564617]
  概念は人間にとって意味のあるメタラベルである。 医学における厳密な注釈付きデータセットは、メラノーマのような単一の疾患に関連するメタラベルに焦点を当てた。 SkinConにはFitzpatrick 17kデータセットから3230枚の画像が含まれており、48の臨床的概念が付加されている。
  論文  参考訳（メタデータ） (2023-02-01T22:39:51Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Improving Medical Image Classification with Label Noise Using Dual-uncertainty Estimation [72.0276067144762]
  医用画像における2種類のラベルノイズについて論じ,定義する。 医用画像分類作業中にこれら2つのラベルノイズを処理する不確実性推定に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-28T14:56:45Z)
• Concept Bottleneck Models [79.91795150047804]
  現在の最先端モデルは、通常「骨の支柱の存在」のような概念の操作をサポートしない。 トレーニング時に提供される概念を最初に予測し、ラベルを予測するためにこれらの概念を使用するという古典的な考え方を再考する。 X線グレーディングと鳥の識別では、概念ボトルネックモデルが標準のエンドツーエンドモデルと競合する精度を達成する。
  論文  参考訳（メタデータ） (2020-07-09T07:47:28Z)

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。