マルチモーダル学習アルゴリズムにより、皮膚疾患のマルチラベル分類（疾患への罹患の有無のラベル付け）ができることが、「Medical Image Analysis」2月号に報告された。ミュンヘン工科大学（ドイツ）のPeng Tang氏らは、新しい2段階マルチモーダル学習アルゴリズムFusionM4Netを提唱。第1段階ではFusionNetを構築。これは、臨床画像とダーモスコピー画像の描写を特徴レベルで利用して統合するもので、融合スキーム1（FS1）で意思決定レベルでの情報を融合する。第2段階では、第1段階からのマルチモーダル予測情報と患者のメタデータ情報を統合する融合スキーム2（FS2）を行う。最終診断は、両段階からの予測を融合して作成される。このアルゴリズムは、皮膚疾患のマルチラベル分類の7ポイントチェックリスト・データセットで検証された。その結果、FusionM4Netの第1段階は、患者のメタデータなしで、マルチラベル分類タスクで平均75.7％、診断タスクで74.9％の精度を達成し、他の方法よりも精度が高かった。患者のメタデータを含めた第2段階では、マルチラベル分類精度は77.0％、診断精度は78.5％に改善した。共著者の一人は、「今後、診断精度の高いアルゴリズムの臨床での利用は、経験の少ない医師によるまれな疾患の検出に役立ち、ストレスや疲労による診断決定への影響を軽減できる可能性がある」と述べている。（HealthDay News 2022年1月31日）https://consumer.healthday.com/novel-multi-modal-algorithm-can-classify-multi-label-skin-diseases-2656432258.html.Abstract/Full Text (subscription or payment may be required).Copyright © 2022 HealthDay. All rights reserved.Photo Credit: Adobe Stock
マルチモーダル学習アルゴリズムにより、皮膚疾患のマルチラベル分類（疾患への罹患の有無のラベル付け）ができることが、「Medical Image Analysis」2月号に報告された。ミュンヘン工科大学（ドイツ）のPeng Tang氏らは、新しい2段階マルチモーダル学習アルゴリズムFusionM4Netを提唱。第1段階ではFusionNetを構築。これは、臨床画像とダーモスコピー画像の描写を特徴レベルで利用して統合するもので、融合スキーム1（FS1）で意思決定レベルでの情報を融合する。第2段階では、第1段階からのマルチモーダル予測情報と患者のメタデータ情報を統合する融合スキーム2（FS2）を行う。最終診断は、両段階からの予測を融合して作成される。このアルゴリズムは、皮膚疾患のマルチラベル分類の7ポイントチェックリスト・データセットで検証された。その結果、FusionM4Netの第1段階は、患者のメタデータなしで、マルチラベル分類タスクで平均75.7％、診断タスクで74.9％の精度を達成し、他の方法よりも精度が高かった。患者のメタデータを含めた第2段階では、マルチラベル分類精度は77.0％、診断精度は78.5％に改善した。共著者の一人は、「今後、診断精度の高いアルゴリズムの臨床での利用は、経験の少ない医師によるまれな疾患の検出に役立ち、ストレスや疲労による診断決定への影響を軽減できる可能性がある」と述べている。（HealthDay News 2022年1月31日）https://consumer.healthday.com/novel-multi-modal-algorithm-can-classify-multi-label-skin-diseases-2656432258.html.Abstract/Full Text (subscription or payment may be required).Copyright © 2022 HealthDay. All rights reserved.Photo Credit: Adobe Stock
