皮膚癌は命にかかわる病気であり、早期発見が患者の予後を大幅に改善します。しかし、皮膚癌の自動診断は、画像内の変動性や微妙な違いのために難しい課題です。多くのディープラーニングモデルは「ブラックボックス」として機能しており、臨床的な信頼を制限しています。本研究では、病変をセグメント化し、臨床メタデータを統合したデュアルエンコーダーアテンションベースのフレームワークを提案します。セグメンテーションには新しいDeep-UNetアーキテクチャを使用し、特徴抽出には二つのDenseNet201エンコーダーを利用します。さらに、患者の年齢や性別、病変の部位を考慮に入れるトランスフォーマーモジュールも統合しています。HAM10000データセットやISICチャレンジでの評価において、提案手法は最先端のセグメンテーション性能と分類精度を達成しました。モデルの信頼性を確認するためにGrad-CAMを用いて可視化を行い、病変領域に基づいた予測であることを示しました。