新しい皮膚疾患診断の仕組み「MIFR」
MIFR（Modality-Invariant and Fair Representation）という新しい枠組みが発表されました。これは、皮膚疾患の診断を支援する機械学習技術の新たな進展です。MIFRは、複数の画像形式に対応し、肌の色による診断の偏りを解消することを目指します。より公平で正確な診断を可能にするための、重要な一歩となるでしょう。
従来の診断における課題
これまでの機械学習ツールは、一つの画像形式（モダリティ）に依存する傾向がありました。例えば、臨床写真のみ、またはダーモスコピー画像のみで疾患を判断していました。さらに、肌の色（スキントーン）によって診断精度に差が生じるという問題も指摘されていました。特定の肌の色では、誤診のリスクが高まることがあり、これが診断ツールの普及を妨げる一因でした。
MIFRの技術的な特徴
MIFRは、臨床写真とダーモスコピー画像を同時に活用する点が特徴です。ViTベースのエンコーダーを使用し、それぞれの画像を数値の空間に変換します。このモデルは、5つの要素を持つ複合的な学習方法（多目的損失関数）で訓練されます。これには、分類の正確性を高めるための損失や、肌の色による偏りを減らすための損失が含まれます。また、画像形式間の整合性を取るための損失も導入されており、異なる画像からでも同じ疾患を正しく認識できるようになります。
実験結果と今後の展望
MIFRの性能は、HIBA+Derm7ptデータセットや外部データセットで検証されました。その結果、既存のモデルと比較して、高い予測性能と公平な診断結果を示すことが確認されています。t-SNEという可視化手法では、同じ疾患であれば異なる画像形式でも類似した位置に配置されることが示されました。これは、MIFRが画像形式に依存しない表現を学習している証拠です。この技術は、皮膚科医の診断支援に大きく貢献する可能性があります。将来的には、より多くの疾患や画像形式への応用が期待されます。
PR
文賢 →
診断の公平性は、AIが社会に受け入れられる最低条件です。複数モダリティ対応は当然の流れ。一次情報を最速で取り込み、診断モデルをぐるぐる回して精度を上げます。
