[論文レビュー] A Machine Vision Approach to Preliminary Skin Lesion Assessments

Ali Khreis, Ro'Yah Radaideh+1 more|arXiv (Cornell University)|Jan 21, 2026

Cutaneous Melanoma Detection and Management被引用数 0

ひとこと要約

要約：論文は ABCD 皮膚鑑別法を機械学習と統合し、ハンドクラフトのルールベースパイプラインとMLモデルを比較。HAM10000データで精度を改善するスクラッチから training したCNNを含む。

ABSTRACT

Early detection of malignant skin lesions is critical for improving patient outcomes in aggressive, metastatic skin cancers. This study evaluates a comprehensive system for preliminary skin lesion assessment that combines the clinically established ABCD rule of dermoscopy (analyzing Asymmetry, Borders, Color, and Dermoscopic Structures) with machine learning classification. Using a 1,000-image subset of the HAM10000 dataset, the system implements an automated, rule-based pipeline to compute a Total Dermoscopy Score (TDS) for each lesion. This handcrafted approach is compared against various machine learning solutions, including traditional classifiers (Logistic Regression, Random Forest, and SVM) and deep learning models. While the rule-based system provides high clinical interpretability, results indicate a performance bottleneck when reducing complex morphology to five numerical features. Experimental findings show that transfer learning with EfficientNet-B0 failed significantly due to domain shift between natural and medical images. In contrast, a custom three-layer Convolutional Neural Network (CNN) trained from scratch achieved 78.5% accuracy and 86.5% recall on median-filtered images, representing a 19-point accuracy improvement over traditional methods. The results demonstrate that direct pixel-level learning captures diagnostic patterns beyond handcrafted features and that purpose-built lightweight architectures can outperform large pretrained models for small, domain-specific medical datasets.

研究の動機と目的

• メラノーマ検出を支援するための早期で解釈可能な病変評価を動機付ける。
• 皮膚鏡画像の特徴からTotal Dermoscopy Score (TDS) を計算するハイブリッドパイプラインを開発する。
• 標準化データセット上でハンドクラフト、古典的ML、深層学習アプローチを比較する。
• モデル性能へドメインシフトとデータセットサイズの影響を評価する。
• 小規模医療データセット向けの軽量で目的別に設計されたCNNの実現可能性を示す。

提案手法

• ABCDルールの特徴からTotal Dermoscopy Score (TDS) を計算するルールベースパイプラインを実装する。
• 同じタスクに対して従来の分類器（ロジスティック回帰、ランダムフォレスト、SVM）を評価する。
• HAM10000由来の画像に対する転移学習を EfficientNet-B0 で試す。
• 中央値フィルタリングされた画像に対してスクラッチからカスタム3層CNNを学習させる。
• アプローチ間の正解率と再現率の観点で性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 ルールベースの ABCD 派生 TDS は ML 模型と同等の診断信号を提供できるか。
• RQ2 従来のMLモデルまたは転移学習済みネットワークは HAM10000由来データ上でハンドクラフト特徴量を上回るか。
• RQ3 小さな医療データセットでスクラッチから学習した小型の目的別CNNは大規模な事前学習モデルより優れているか。

主な発見

• ルールベースの TDS アプローチは高い臨床的解釈性を提供するが、形態を5特徴に圧縮する際に性能のボトルネックが生じる。
• EfficientNet-B0 を用いた転移学習は、自然画像と医療画像のドメインシフトにより有意に失敗した。
• 中央値フィルタ画像に対してスクラッチで学習した3層CNNは78.5% の正解率と 86.5% の再現率を達成。
• CNNは従来法を約19ポイントの正解率向上で上回った。
• 直接ピクセルレベルの学習はハンドクラフト特徴を超える診断パターンを捉え、小規模データセットにも軽量なアーキテクチャを支持する。