Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Domain Adaptive Skin Lesion Classification via Conformal Ensemble of Vision Transformers

Created by
  • Haebom

저자

Mehran Zoravar, Shadi Alijani, Homayoun Najjaran

개요

본 논문은 의료 영상 판독 지원 시스템과 같이 중요한 분야에서 딥러닝 모델의 신뢰성을 높이기 위해, 도메인 변화에 강건한 콘포멀 예측 프레임워크인 Conformal Ensemble of Vision Transformers (CE-ViTs)를 제안합니다. CE-ViTs는 HAM10000, Dermofit, Skin Cancer ISIC 등 다양한 데이터셋으로 학습된 비전 트랜스포머 모델들의 앙상블을 사용하여 도메인 적응 및 모델 강건성을 향상시키고, 콘포멀 학습을 통해 불확실성을 고려합니다. 실험 결과, 제안된 프레임워크는 HAM10000 모델 대비 9.95% 향상된 90.38%의 높은 적용률을 달성하여, 예측 집합에 참값이 포함될 가능성이 높음을 보여줍니다. 또한, 어려운 오분류 샘플에 대한 평균 예측 집합 크기를 1.86에서 3.075로 증가시켜 콘포멀 예측 성능을 향상시켰습니다.

시사점, 한계점

시사점:
다양한 데이터셋을 활용한 앙상블 학습을 통해 의료 영상 분류에서 도메인 적응 및 모델 강건성을 향상시킬 수 있음을 보여줍니다.
콘포멀 예측을 활용하여 딥러닝 모델의 신뢰성과 안전성을 높일 수 있는 실용적인 방법을 제시합니다.
제안된 CE-ViTs는 높은 적용률(90.38%)과 증가된 평균 예측 집합 크기(3.075)를 통해 기존 방법보다 우수한 성능을 보입니다.
한계점:
사용된 데이터셋의 종류 및 크기에 따라 성능이 달라질 수 있습니다. 다른 의료 영상 데이터셋에 대한 일반화 성능 평가가 필요합니다.
본 논문에서는 특정 의료 영상 분류 문제(피부암)에 초점을 맞추고 있으므로, 다른 의료 영상 분류 문제에 대한 적용 가능성은 추가적인 연구가 필요합니다.
앙상블의 크기나 구성에 따른 성능 변화에 대한 분석이 부족합니다. 최적의 앙상블 구성에 대한 추가적인 연구가 필요합니다.
👍