勾配重み付きクラス活性化マッピングと転移学習を用いた皮膚疾患分類のための説明可能なAI、デジタルヘルスにおける輪郭特定

科学分野:

• コンピュータービジョン
• 医療画像
• 機械学習

背景:

• 医療データのプライバシーに関する懸念は、コンピュータービジョンモデルのトレーニングのためのデータの利用可能性を制限します。
• 皮膚疾患の診断には専門的な専門知識が必要であり、自動化されたシステムから利益を得ることができます。
• 限られたリソースとデータの不足は、堅牢な診断AIの開発に課題をもたらします。

研究 の 目的:

• 皮膚疾患診断のための低リソースコンピュータービジョン技術の使用の実現可能性を評価すること。
• データ前処理と拡張がモデルパフォーマンスに与える影響を評価すること。
• 様々な皮膚状態の診断のための5つの転移学習モデルの効果を比較すること。

主な方法:

• VGG19、VGG16、GoogleNet、XceptionNet、Inceptionの5つの転移学習モデルを利用しました。
• 不均衡（4092サンプル）およびバランス（5182サンプル）データセットを作成しました。
• 前処理のために、データ拡張、画像リサイズ、ノイズ除去、ぼかし技術を適用しました。
• 拡張されたバランスデータを含む、前処理されたデータでモデルパフォーマンスを評価しました。

主要な成果:

• VGG-19は不均衡データセットで95.00%の精度を達成しました。
• VGG-16-Augは、バランスの取れた拡張データセットで97.07%の精度に達し、他のモデルを上回りました。
• 前処理と拡張は画像品質を向上させ、精度を向上させました。

結論:

• 前処理と組み合わせた低リソースアプローチは、皮膚疾患を効果的に診断します。
• バランスの取れた拡張データセットを備えたVGG-16-Augモデルは、皮膚疾患診断のための大きな可能性を示しています。
• 説明可能なAI（Grad-CAM）は、モデル結果の解釈とデータ不足への対処を支援します。