医療診断における肌病変分類の公平性をプルーニング学習を用いて向上させる

科学分野:

• 人工知能
• 医用画像処理
• コンピュータビジョン

背景:

• 深層学習モデルは、医療診断における皮膚病変分類の精度を向上させます。
• 肌の色に関連するモデルの潜在的なバイアスは、診断結果に悪影響を与える可能性があります。
• 公平性の確保は、肌の色調のばらつきや計算負荷の要求により複雑です。

研究 の 目的:

• 多様な肌の色調にわたるバイアスに対処する、皮膚病変分類のための公平性アルゴリズムを提案すること。
• AIを活用した皮膚科ツールの診断公平性とモデル効率を向上させること。

主な方法:

• VGGおよびViTネットワークにおける特徴マップのスキューネスを計算する公平性アルゴリズムを開発しました。
• 肌の色調に関連するチャネルを削減して、病変領域に焦点を当てました。
• VGG11およびViT-B16モデルにこの手法を適用しました。

主要な成果:

• 平均15–20%の公平性指標の改善を達成しました。
• ベースラインから0.01以内の精度とF1スコアを維持しました。
• モデルサイズを16%（VGG11）およびメモリフットプリント（ViT-B16）削減しました。

結論:

• 提案されたアルゴリズムは、さまざまな肌の色調にわたる皮膚病変分類におけるバイアスを効果的に軽減します。
• この手法は、推論時に肌の色調ラベルを必要とせずに、公平性と効率を向上させます。
• このアプローチは、皮膚科における公平なAIのための実用的なソリューションを提供します。