PatchAlign: 臨床ラベルとの整合性による公平で正確な皮膚疾患画像分類

[fulfulggg]

タイトル: PatchAlign: 臨床ラベルとの整合性による公平で正確な皮膚疾患画像分類

リンク: https://arxiv.org/abs/2409.04975

概要:

深層学習モデルは、皮膚病変の診断の自動化において大きな成功を収めてきました。しかし、これらのモデルの予測における人種による差異は、展開前に対処する必要があります。本稿では、皮膚疾患の臨床テキスト表現との整合性を取ることで、皮膚疾患画像分類の精度と公平性を向上させる新しいアプローチであるPatchAlignを紹介します。PatchAlignは、Graph Optimal Transport（GOT）Lossを正則化項として使用し、クロスドメインアラインメントを実行します。得られた表現はロバストであり、トレーニングサンプルが限られていても、肌の色調にわたって良好に一般化します。臨床皮膚科画像におけるノイズやアーチファクトの影響を軽減するために、クロスドメインアラインメントのための学習可能なMasked Graph Optimal Transportを提案し、公平性の指標をさらに向上させます。

このモデルを、異なる肌タイプを持つ2つの皮膚病変データセット、Fitzpatrick17kとDiverse Dermatology Images（DDI）において、最先端技術であるFairDisCoと比較しました。PatchAlignは、FairDisCoと比較して、Fitzpatrick17kでは皮膚疾患画像分類の精度を2.8%（ドメイン内）と6.2%（ドメイン外）、DDIでは4.2%（ドメイン内）向上させました。さらに、肌の色調にわたる真陽性率の公平性を一貫して向上させます。

実装のソースコードは、以下のGitHubリポジトリで公開されており、容易な再現とさらなる実験を可能にしています。https://github.com/aayushmanace/PatchAlign24

[fulfulggg]

@yukihiko-fuyuki が以下のラベルを提案し、適用しました：

• fairness
• medical-imaging
• image-classification

[fulfulggg]

論文要約

論文要約: PatchAlign: 臨床ラベルとの整合性による公平で正確な皮膚疾患画像分類

• 問題: 皮膚疾患診断のための深層学習モデルは、肌の色調によって精度に差が生じ、公平性に欠ける可能性がある。
• 提案手法: PatchAlignは、画像データと臨床テキストデータの関連性を向上させることで、この問題に対処する。
  • Graph Optimal Transport (GOT) Loss: 画像とテキストデータ間の差異を最小化するようにモデルを学習させる。
  • Masked Graph Optimal Transport: 画像データのノイズやアーチファクトの影響を軽減し、公平性をさらに向上させる。
• 結果:
  • 既存手法 (FairDisCo) と比較して、2つの主要な皮膚疾患データセット (Fitzpatrick17k, DDI) において、精度が向上した。
    • Fitzpatrick17k: ドメイン内 +2.8%、ドメイン外 +6.2%
    • DDI: ドメイン内 +4.2%
  • 肌の色調に関わらず、診断の正確性を示す真陽性率が向上した。
• 結論: PatchAlignは、皮膚疾患画像分類において、より正確で公平な結果を提供する。