A Novel Multi-Task Model Imitating Dermatologists for Accurate Differential Diagnosis of Skin Diseases in Clinical Images

要約

皮膚疾患は最も一般的な健康問題の 1 つであり、コンピューターを利用した正確な診断方法は皮膚科医と患者の両方にとって重要です。
しかし、既存の方法のほとんどは、皮膚疾患の診断に必要な重要な領域の知識を見落としています。
DermImitFormer という新しいマルチタスク モデルは、皮膚科医の診断手順と戦略を模倣することでこのギャップを埋めるために提案されています。
マルチタスク学習を通じて、モデルは病気そのものに加えて体の部位と病変の属性を同時に予測し、診断の精度を高め、診断の解釈可能性を向上させます。
設計された病変選択モジュールは皮膚科医のズームイン操作を模倣し、ノイズの多い背景から局所的な病変の特徴を効果的に強調表示します。
さらに、提示された相互作用モジュールは、身体部分、病変属性、疾患間の複雑な診断推論を明示的にモデル化します。
提案された方法のより堅牢な評価を提供するために、既存のデータセットよりも大幅に多くの症例を含む皮膚疾患の大規模な臨床画像データセットが確立されました。
3 つの異なるデータセットに対する広範な実験により、提案されたアプローチの最先端の認識パフォーマンスが一貫して実証されています。

要約(オリジナル)

Skin diseases are among the most prevalent health issues, and accurate computer-aided diagnosis methods are of importance for both dermatologists and patients. However, most of the existing methods overlook the essential domain knowledge required for skin disease diagnosis. A novel multi-task model, namely DermImitFormer, is proposed to fill this gap by imitating dermatologists’ diagnostic procedures and strategies. Through multi-task learning, the model simultaneously predicts body parts and lesion attributes in addition to the disease itself, enhancing diagnosis accuracy and improving diagnosis interpretability. The designed lesion selection module mimics dermatologists’ zoom-in action, effectively highlighting the local lesion features from noisy backgrounds. Additionally, the presented cross-interaction module explicitly models the complicated diagnostic reasoning between body parts, lesion attributes, and diseases. To provide a more robust evaluation of the proposed method, a large-scale clinical image dataset of skin diseases with significantly more cases than existing datasets has been established. Extensive experiments on three different datasets consistently demonstrate the state-of-the-art recognition performance of the proposed approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google