[논문 리뷰] LesionTABE: Equitable AI for Skin Lesion Detection

Rocio Mexia Diaz, Yasmin Greenway외 1명|arXiv (Cornell University)|2026. 01. 06.

Cutaneous Melanoma Detection and Management인용 수 0

한 줄 요약

LesionTABE는 피부질환 진단에서 피부색에 따른 공정성을 개선하기 위해 피부과 중심의 foundation 모델 임베딩과 적대적 편향 제거를 결합하여 피부분열 탐지에서 피부톤 간 공정성을 향상시키고, 공정성과 진단 성능 모두에서 뚜렷한 향상을 달성한다.

ABSTRACT

Bias remains a major barrier to the clinical adoption of AI in dermatology, as diagnostic models underperform on darker skin tones. We present LesionTABE, a fairness-centric framework that couples adversarial debiasing with dermatology-specific foundation model embeddings. Evaluated across multiple datasets covering both malignant and inflammatory conditions, LesionTABE achieves over a 25\% improvement in fairness metrics compared to a ResNet-152 baseline, outperforming existing debiasing methods while simultaneously enhancing overall diagnostic accuracy. These results highlight the potential of foundation model debiasing as a step towards equitable clinical AI adoption.

연구 동기 및 목표

• 훈련 데이터에서 어두운 피부톤의 과소대표로 인한 피부과 AI의 편향을 제거한다.
• 피부톤 정보를 제거하는 동시에 병변 관련 특징을 보존하는 공정성 중심 프레임워크를 개발한다.
• 외부 검증 데이터셋으로 악성 및 염증성 피부질환 전반에 대해 평가한다.
• 피부과 특화 foundation 모델 임베딩이 공정성 및 정확도에 주는 이점을 평가한다.

제안 방법

• 피부톤 정보를 억제하면서 병변 특징을 유지하기 위해 adversarial debiasing과 톤-인배리언트 학습을 결합한다.
• ResNet-152 백본을 기준으로 (TABE, adaptive resampling을 통한 VAE, FairDisCo) 세 가지 편향 제거 아키텍처를 평가한다.
• 대체 피처 추출기로 LesionCLIP를 사용하여 피부과 특화 foundation 모델 임베딩을 포함한다.
• Fitzpatrick17k에서 학습하고 PAD-UFES (cancer) 및 SCIN (eczema/psoriasis)에서 외부적으로 테스트하여 외부 타당성을 평가한다.
• 주요 성능 지표로 균등 정확도(balanced accuracy)를 사용하고 공정성 지표로 Equality of Opportunity (EOM)와 Predictive Quality Disparity (PQD)를 사용한다.
• 복제를 위한 공개 가능한 코드 및 데이터 처리 스크립트를 제공한다.

실험 결과

연구 질문

• RQ1 adversarial debiasing combined with foundation-model embeddings reduce skin-tone related disparities in malignant lesion detection without sacrificing accuracy?
• RQ2 How do different debiasing architectures compare internally and externally when evaluated on skin-tone diverse datasets?
• RQ3 Does a dermatology-focused foundation model (LesionCLIP) improve fairness and generalization across tasks (malignant vs inflammatory lesions) compared to ImageNet-based features?

주요 결과

• LesionTABE (TABE + LesionCLIP) achieved the best trade-off with a balanced accuracy of 71.8% and an EOM of 0.56, representing relative improvements of 34% in fairness and 5% in performance over the baseline.
• On malignant lesion detection, TABE with LesionCLIP consistently yielded higher fairness in internal and external evaluations compared to other combinations.
• For eczema vs psoriasis classification, LesionTABE achieved a balanced accuracy of 62.8% and a PQD of 0.80 with relative gains of 25% in fairness and 8% in balanced accuracy over the baseline.
• External validation highlighted that some methods (e.g., FairDisCo) excelled internally but underperformed externally, underscoring the importance of external validation for debiasing strategies.
• Foundation-model embeddings from LesionCLIP provided robust fairness and generalization across skin tones despite training on predominantly lighter skin types