皮肤网:集成CNN-ViT架构用于皮肤病诊断中的偏差缓解,使用先进的无监督病变细分

科学领域:

• 皮肤病学 皮肤病学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 皮肤疾病识别算法通常会对较深色肤色产生偏见.
• 准确的皮肤病诊断对于有效的治疗和患者的治疗结果至关重要.
• 现有的方法难以在不同肤色的皮肤病变中准确地细分皮肤病变.

研究的目的:

• 开发一种人工智能驱动的方法,用于在肤色较暗的个体中公正地识别皮肤疾病.
• 提高皮肤病自动诊断工具的准确性和公平性.
• 为了解决不同肤色的当前细分技术的局限性.

主要方法:

• 在初步分析中,采用了只有病变的,零射击的,无监督的方法.
• 处理的数据被输入到混合分类器Dermnet中,该分类器结合了视觉转换器和卷积神经网络架构.
• 一种新的细分技术,在没有标记数据的情况下进行训练,实现了高的交叉对联盟 (IOU) 得分.

主要成果:

• Dermnet分类器实现了大约81%的强大的验证准确性.
• 无监督细分方法在所有皮肤颜色中实现了90%的IOU.
• 这种方法有效地减少了皮肤色调对疾病分类的影响.

结论:

• 拟议的方法显著减少了基于人工智能的皮肤疾病识别对有色人种的偏见.
• 先进的细分技术确保了准确的病变识别,无论皮肤颜色如何.
• 这项工作为更公平,更准确的皮肤学AI工具铺平了道路.