MTAKD：エッジAI皮膚疾患診断のためのマルチティーチャー合意知識蒸留

科学分野:

• 人工知能
• 医用画像処理
• コンピューターサイエンス

背景:

• 皮膚科専門医へのアクセスが限られ、インターネット接続が不十分なため、遠隔地での皮膚疾患の診断は困難です。
• エッジ人工知能（AI）は、クラウドへの依存を回避してオンデバイス処理を可能にします。
• エッジコンピューティングには、モバイル展開のためにAIモデルを最適化することが不可欠です。

研究 の 目的:

• モバイルエッジデバイスでの小型AIモデルのパフォーマンスを強化するための新しいマルチティーチャー知識蒸留（MTAKD）フレームワークを開発すること。
• リソースが限られた環境でのAI支援皮膚疾患診断の精度と効率を向上させること。
• 最適化されたAIモデルの説明可能性と実用的な展開を評価すること。

主な方法:

• 複数の知識源を重み付けするために動的なティーチャー合意を利用するマルチティーチャー知識蒸留（MTAKD）フレームワークを提案しました。
• 3つの新しい蒸留アルゴリズム、すなわちAgreement Weighted、Attention Agreement、およびRelational Agreement Knowledge Distillationを統合しました。
• ISIC 2019およびFitzpatrick17k-Cデータセットを使用して、モバイルプロトタイプでの学生モデルのパフォーマンス、説明可能性、および効率を評価しました。

主要な成果:

• ISIC 2019で87.53%、Fitzpatrick17k-Cで44.75%の高い診断精度を達成し、ベンチマークを上回りました。
• AUCスコア0.6796（ISIC 2019）および0.1724（Fitzpatrick17k-C）でモデルの説明可能性が向上しました。
• モバイルプロトタイプで49.8倍小さいモデルサイズと352倍高速な推論を実現し、大幅な効率向上を達成しました。

結論:

• MTAKDフレームワークは、エッジAI皮膚疾患診断のための効果的かつ実用的なソリューションです。
• MTAKDは、遠隔地のモバイルデバイスへの展開に適した高性能AIモデルを可能にします。
• この研究は、モバイルヘルスケアAIにおける主要な課題に対処し、アクセシビリティと診断能力を向上させます。