EnsembleSkinNet：転移学習ベースの効率的な皮膚がん検出のための説明可能なAI統合フレームワーク

科学分野:

• 人工知能
• 医用画像処理
• 計算生物学

背景:

• 皮膚がんは、蔓延しており危険な疾患であり、効果的な治療のためには早期診断が不可欠です。
• 深層学習、特に畳み込みニューラルネットワーク（CNN）は、AI駆動の皮膚病変分類において有望です。
• 単一のCNNモデルの限界には、病変の外観や画質のばらつきによる汎化能力の低下が含まれます。

研究 の 目的:

• 堅牢な皮膚画像分類のための説明可能なアンサンブル深層学習フレームワークを開発すること。
• 皮膚病変の診断におけるAIモデルの信頼性と汎化能力を向上させること。
• 皮膚がん診断におけるAIベースの早期検出率と臨床的信頼性を向上させること。

主な方法:

• EnsembleSkinNetフレームワークは、事前学習済みCNN（M-VGG16、ResNet50、Inception V3、DenseNet201）のソフトマックス重み付けスペクトル融合を利用します。
• 転移学習、ファインチューニング、およびベイズ最適化によるハイパーパラメータ最適化を採用し、分類性能を向上させます。
• HAM10000データセットで5分割交差検証を使用し、ISIC 2020データセットで外部検証を行って評価しました。

主要な成果:

• HAM10000データセットで高い精度（98.32％）を達成し、優れた適合率、再現率、F1スコアを示しました。
• ISIC 2020データセットで96.84％の精度と0.983のAUCで、強力なクロスドメイン汎化能力を実証しました。
• Grad-CAM説明可能性分析では、皮膚科医の注釈との93.6％の一致が示され、臨床的関連性が示唆されました。

結論:

• EnsembleSkinNetは、AIベースの皮膚がん診断のための再現可能で解釈可能で臨床的に適用可能なフレームワークを提供します。
• アンサンブルアプローチは、堅牢性と信頼性を向上させ、悪性黒色腫などの重要な皮膚がんの偽陰性を減らします。
• このAIフレームワークは、早期検出率を向上させ、臨床現場での診断信頼性を高めることができます。