利用迁移学习与领域自适应实现公平的皮肤病预测
计算机视觉与模式识别
2024-09-04 v1 人工智能
摘要
在皮肤病学领域，手动诊断皮肤状况的复杂性需要皮肤科医生的专业知识。准确识别从癌症到炎症性疾病的各种皮肤疾病至关重要。然而，现有的皮肤病学人工智能(AI)模型面临挑战，特别是在跨不同肤色准确诊断疾病方面，在深色皮肤上存在显著的性能差距。此外，公开可用的、无偏数据集的稀缺阻碍了包容性AI诊断工具的开发。为了应对跨不同肤色准确预测皮肤状况的挑战，我们采用了一种迁移学习方法，该方法利用了来自各种图像领域的丰富、可迁移的知识。我们的方法整合了来自广泛来源（包括通用和特定医学图像）的多个预训练模型，以提高皮肤状况预测的鲁棒性和包容性。我们使用多样化皮肤病学图像(DDI)数据集严格评估了这些模型的有效性，该数据集独特地包含了代表性不足和常见的肤色，使其成为评估我们方法的理想基准。在所有方法中，Med-ViT因其从多样化图像源学习的全面特征表示而成为表现最佳的模型。为了进一步提高性能，我们使用额外的皮肤图像数据集（如HAM10000）进行了领域自适应。这种自适应显著提高了所有模型的性能。
引用
@article{arxiv.2409.00873,
title = {Equitable Skin Disease Prediction Using Transfer Learning and Domain Adaptation},
author = {Sajib Acharjee Dip and Kazi Hasan Ibn Arif and Uddip Acharjee Shuvo and Ishtiaque Ahmed Khan and Na Meng},
journal= {arXiv preprint arXiv:2409.00873},
year = {2024}
}