肌の色が皮膚病変セグメンテーションに与える影響の調査

要旨: 皮膚がん、特にメラノーマは依然として罹患率と死亡率の主要因であり、早期発見が極めて重要です。AI駆動の皮膚科システムはしばしば前処理ステップとして皮膚病変のセグメンテーションに依存し、周囲の皮膚から病変を区別して下流の解析を支えることが求められます。皮膚の色調に関する公正性の懸念は、病変の分類に関して広く研究されてきましたが、色調がセグメンテーション段階に与える影響は十分に定量化されておらず、粗く離散的な皮膚色調カテゴリーを用いて評価されることがしばしばです。本研究では、2つの公開データセット（HAM10000とISIC2017）上で、3つの強力なセグメンテーションアーキテクチャ（UNet、ResNet50バックボーンを用いたDeepLabV3、DINOv2）を評価し、ピクセル単位のITA値を分布として扱う、連続的な色素またはコントラストの解析手法を導入します。皮膚のみ、病変のみ、および全体画像領域における、画像内分布間のWasserstein距離を用いることで、病変と皮膚のコントラストを定量化し、複数の指標にわたるセグメンテーション性能との関係を明らかにします。これらのデータセットで表現されている範囲においては、グローバルな皮膚色調指標（Fitzpatrickの分類または平均ITA）はセグメンテーション品質との関連が弱いことが示されます。対照的に、病変—皮膚コントラストが低いことは一貫して、モデルにおけるより大きなセグメンテーション誤差と結びつきます。これは、境界の曖昧さと低コントラストが失敗の主要な要因であることを示唆しています。これらの知見は、皮膚科用の病変セグメンテーションにおける公正性の改善は、低コントラストの病変に対する頑健な取り扱いを優先すべきであることを示しています。また、分布ベースの色素指標は、離散的な皮膚色調カテゴリーよりも、より情報量の多い監査シグナルを提供することができます。