疾患診断の向上：SEアテンションとデュアルバックボーンモデルを備えたカプセルネットワーク

科学分野:

• 皮膚科および人工知能
• 医用画像解析
• ディープラーニング

背景:

• 爪疾患は、重篤な合併症を防ぐために正確な診断が必要です。
• 現在の診断方法は、主観的で時間がかかることが多いです。
• 自動スクリーニングは、早期発見と患者ケアを改善することができます。

研究 の 目的:

• 堅牢で解釈可能なマルチクラス爪疾患診断のための新しいディープラーニングフレームワークであるCapsuleSEDualNetを導入すること。
• 皮膚科評価における診断精度と効率を向上させること。
• 自動爪疾患スクリーニングのための信頼できるツールを提供すること。

主な方法:

• カプセルネットワークヘッド、Squeeze-and-Excitation（SE）アテンション、MobileNetV2、DenseNet121を統合したCapsuleSEDualNetを開発しました。
• データセットの不均衡に対処するためにSynthetic Minority Over-sampling Technique（SMOTE）を適用しました。
• 既存のディープラーニングアーキテクチャと比較してモデルのパフォーマンスを評価しました。

主要な成果:

• CapsuleSEDualNetは、全体で96%の分類精度を達成しました。
• このモデルは、ベースラインモデルと比較して優れたパフォーマンスを示しました。
• SEアテンションとカプセルネットワークは、誤分類を減らし、特徴表現を改善しました。

結論:

• CapsuleSEDualNetは、自動爪疾患スクリーニングのための堅牢でスケーラブルで解釈可能なソリューションを提供します。
• このフレームワークは、早期でアクセス可能な皮膚科評価の臨床的ニーズに対応します。
• 皮膚科および遠隔医療におけるコンピュータ支援意思決定支援ツールとしての可能性。