皮膚疾患の異種データに対する連合転移学習による診断
Shikha Sharma1, Ruchi Mittal2, Nitin Goyal3
1Chitkara University Institute of Engineering and Technology, Chitkara University, Rajpura, Punjab, India.
Scientific reports
|January 15, 2026
まとめ
本研究は、正確な皮膚疾患診断のためのプライバシーを保護する連合転移学習モデルを紹介します。機械学習アプローチは高い精度を達成し、早期発見と治療効果を高めます。
科学分野:
- 皮膚科と人工知能
- 医療情報学
- 計算健康科学
背景:
- 皮膚疾患は、世界的に重大な身体的および精神的健康上の課題をもたらします。
- 正確で適時な診断は、効果的な皮膚科治療にとって極めて重要です。
- 機械学習（ML）および深層学習（DL）は、診断精度の向上に有望ですが、大規模なデータセットが必要です。
研究 の 目的:
- 皮膚疾患診断のためのプライバシーを保護する連合転移学習フレームワークを開発すること。
- 機械学習モデルのためのヘルスケアデータ共有におけるデータ不足とプライバシーの問題に対処すること。
- 皮膚科診断ツールの効率と精度を向上させること。
主な方法:
- 転移学習と密なニューラルネットワーク（DNN）を使用して、初期の皮膚疾患検出を行いました。
- 特徴抽出のために事前学習済みアーキテクチャを使用し、その後DNN分類を行いました。
- データのプライバシーを保護しながら分散ノード間でモデルをトレーニングするために、連合学習（FL）を統合しました。
- FLと転移学習を組み合わせて、安全で効果的な診断エコシステムを作成しました。
主要な成果:
- 提案された特徴抽出と連合学習モデルは、IIDデータベースで99.528%、非IIDデータベースで99.689%の高い交差検証精度を達成しました。
- リソースに制約のある環境に適した、効率的で軽量なモデルを作成する能力を実証しました。
- アンサンブル学習がエッジデバイスのパフォーマンスを向上させる能力を示しました。
結論:
- 連合転移学習は、皮膚疾患診断のための強力でプライバシーを保護するソリューションを提供します。
- 開発されたモデルは、現代のヘルスケア設定のための効率的で正確なツールを提供します。
- このアプローチは、医療AIにおけるデータの制限とプライバシー規制を効果的に克服します。
