An interpretable imbalanced semi-supervised deep learning framework for improving differential diagnosis of skin diseases

要約

タイトル：解釈可能な不均衡半教師深層学習フレームワークによる皮膚疾患の鑑別診断の改善

要約：

– 皮膚疾患は世界的に最も一般的な疾患の一つである。
– 本論文は、未ラベルの10,857サンプルを含む58,457枚の皮膚画像を用いて、多クラスインテリジェント・スキン・ディアグノーシス・フレームワーク（ISDL）の解釈性と不均衡半教師学習の最初の研究を行った。
– 少数派のクラスからの擬似ラベル付けサンプルは、各反復で高い確率でクラス再バランスセルフトレーニングを行うため、未ラベルのサンプルを利用してクラス不均衡問題を解決することを促進する。
– ISDLは、マルチラベルの皮膚疾患分類において、精度0.979、感度0.975、特異度0.973、マクロF1スコア0.974、受信者操作特性曲線（AUC）0.999の有望な性能を達成した。
– Shapley Additive explanation（SHAP）メソッドをISDLと組み合わせ、深層学習モデルが予測を行う方法を説明した。この結果は臨床診断と一致している。
– ISDLplusを使用して、効果的な方法で擬似ラベル付けサンプルを選択するためのサンプリング分布最適化戦略を提案した。
– さらに、プロの医師にかかるプレッシャーを緩和し、農村地域のプロの医師不足に関連する実際の問題に役立つ可能性がある。

要約(オリジナル)

Dermatological diseases are among the most common disorders worldwide. This paper presents the first study of the interpretability and imbalanced semi-supervised learning of the multiclass intelligent skin diagnosis framework (ISDL) using 58,457 skin images with 10,857 unlabeled samples. Pseudo-labelled samples from minority classes have a higher probability at each iteration of class-rebalancing self-training, thereby promoting the utilization of unlabeled samples to solve the class imbalance problem. Our ISDL achieved a promising performance with an accuracy of 0.979, sensitivity of 0.975, specificity of 0.973, macro-F1 score of 0.974 and area under the receiver operating characteristic curve (AUC) of 0.999 for multi-label skin disease classification. The Shapley Additive explanation (SHAP) method is combined with our ISDL to explain how the deep learning model makes predictions. This finding is consistent with the clinical diagnosis. We also proposed a sampling distribution optimisation strategy to select pseudo-labelled samples in a more effective manner using ISDLplus. Furthermore, it has the potential to relieve the pressure placed on professional doctors, as well as help with practical issues associated with a shortage of such doctors in rural areas.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI