皮膚癌分類のための不確実性認識深層学習への四段階アプローチ
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2506.10302v2発表。種類: 交互置換。
要約: 正確な皮膚がん診断は早期治療と患者の転帰改善に不可欠である。深層学習(DL)モデルは皮膚がん分類の自動化において有望性を示しているが、データ不足と不確実性認識の限界が課題となっている。本研究は、HAM10000データセットを用いた転移学習と不確実性定量化(UQ)によるDLベースの皮膚病変分類の包括的な評価を示す。CLIPバリアント、ResNet50、DenseNet121、VGG16、EfficientNet-V2-Largeを含むいくつかの事前学習済み特徴抽出器と、SVM、XGBoost、ロジスティック回帰などの従来の分類器を組み合わせたベンチマークを行う。複数の主成分分析(PCA)設定(64, 128, 256, 512)を検討し、LAION CLIP ViT-H/14とViT-L/14がPCA-256で最高のベースライン結果を達成した。UQ段階では、Monte Carlo Dropout (MCD)、Ensemble、Ensemble Monte Carlo Dropout (EMCD)を適用し、不確実性認識メトリクス(UAcc、USen、USpe、UPre)を用いて評価する。PCA-256を用いたアンサンブル手法は、精度と信頼性のバランスが最適である。さらに、PCA-256における上位の特徴抽出器の特徴融合により改善が見られた。最後に、予測エントロピー(PE)損失関数で訓練された特徴融合ベースのモデルを提案し、標準評価と不確実性認識評価の両方において、以前の設定をすべて上回り、信頼できるDLベースの皮膚がん診断を進歩させた。
原文（英語）を表示
Title (EN): A Quad-Step Approach to Uncertainty-Aware Deep Learning for Skin Cancer Classification
arXiv:2506.10302v2 Announce Type: replace-cross
Abstract: Accurate skin cancer diagnosis is vital for early treatment and improved patient outcomes. Deep learning (DL) models have shown promise in automating skin cancer classification, yet challenges remain due to data scarcity and limited uncertainty awareness. This study presents a comprehensive evaluation of DL-based skin lesion classification with transfer learning and uncertainty quantification (UQ) on the HAM10000 dataset. We benchmark several pre-trained feature extractors — including CLIP variants, ResNet50, DenseNet121, VGG16, and EfficientNet-V2-Large — combined with traditional classifiers such as SVM, XGBoost, and logistic regression. Multiple principal component analysis (PCA) settings (64, 128, 256, 512) are explored, with LAION CLIP ViT-H/14 and ViT-L/14 at PCA-256 achieving the strongest baseline results. In the UQ phase, Monte Carlo Dropout (MCD), Ensemble, and Ensemble Monte Carlo Dropout (EMCD) are applied and evaluated using uncertainty-aware metrics (UAcc, USen, USpe, UPre). Ensemble methods with PCA-256 provide the best balance between accuracy and reliability. Further improvements are obtained through feature fusion of top-performing extractors at PCA-256. Finally, we propose a feature-fusion based model trained with a predictive entropy (PE) loss function, which outperforms all prior configurations across both standard and uncertainty-aware evaluations, advancing trustworthy DL-based skin cancer diagnosis.
Published: 2025-09-24 19:00 UTC