Skin Deep Unlearning: Artefact and Instrument Debiasing in the Context of Melanoma Classification

要約

タイトル：皮膚がん分類におけるアーティファクトとインストルメントのバイアス除去に関する研究

要約：

– 異常なバイアスがトレーニングデータ内に存在するため、皮膚病変画像からの悪性黒色腫の分類において、留意すべき予測の不規則性が存在する。
– 本研究では、2つの主要なバイアス除去技術を使用して、自動メラノーマ分類パイプラインからのバイアスと誤差を堅牢に除去することで、偏見を排除する。
– 過去の研究で報告された外科手術マーキングや定規による導入されたバイアスを、これらのバイアス除去方法によって合理的に軽減することができることを示した。
– より広範な展開のために、病変画像をキャプチャするために使用される画像装置と関連する虚偽のバリエーションを学習して排除することで、汎化の利点を示した。
– 実験結果は、前述のバイアスの影響が著しく減少したことを示した。さらに、異なるバイアス除去技術が異なるタスクに優れていることを示した。

要約(オリジナル)

Convolutional Neural Networks have demonstrated dermatologist-level performance in the classification of melanoma from skin lesion images, but prediction irregularities due to biases seen within the training data are an issue that should be addressed before widespread deployment is possible. In this work, we robustly remove bias and spurious variation from an automated melanoma classification pipeline using two leading bias unlearning techniques. We show that the biases introduced by surgical markings and rulers presented in previous studies can be reasonably mitigated using these bias removal methods. We also demonstrate the generalisation benefits of unlearning spurious variation relating to the imaging instrument used to capture lesion images. Our experimental results provide evidence that the effects of each of the aforementioned biases are notably reduced, with different debiasing techniques excelling at different tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI