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

要約

皮膚科疾患は、世界中で最も一般的な疾患の 1 つです。
この論文では、10,857 個のラベルなしサンプルを含む 58,457 枚の皮膚画像を使用した、マルチクラス インテリジェント皮膚診断フレームワーク (ISDL) の解釈可能性と不均衡な半教師あり学習に関する最初の研究を紹介します。
少数派クラスからの擬似ラベル付きサンプルは、クラス リバランス自己トレーニングの各反復で高い確率を持つため、クラスの不均衡問題を解決するためのラベルなしサンプルの利用が促進されます。
当社の ISDL は、マルチラベル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、受信者動作特性曲線下面積 (AUC) 0.999 という有望なパフォーマンスを達成しました。
Shapley Additive Explain (SHAP) メソッドを ISDL と組み合わせて、深層学習モデルがどのように予測を行うかを説明します。
この所見は臨床診断と一致しています。
また、ISDLplus を使用して、より効果的な方法で擬似ラベル付きサンプルを選択するためのサンプル分布最適化戦略も提案しました。
さらに、専門の医師にかかるプレッシャーを軽減するだけでなく、地方での専門の医師不足に伴う現実的な問題を解決する可能性もある。

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, Google