本研究では、皮膚病変の分類と各ABCDE特徴の定量化を行うマルチタスク深層学習フレームワークを提案しています。メラノーマの早期発見が生存率を大きく向上させることから、皮膚病変の自動分析が重要ですが、依然として挑戦を伴います。ABCDEは皮膚病変の分類法ですが、従来の深層学習手法は人が理解できる特徴を説明しない「ブラックボックス」なアプローチが多いです。本フレームワークでは、時間に伴う特徴の進化をシミュレーションし、良性の母斑から悪性メラノーマへの進化を可視化することが可能です。実験は約10,000枚の画像から成るHAM10000データセットを使用して行われ、約89%の精度で診断が行われ、メラノーマのAUCは0.96という結果が得られました。全体として、このフレームワークは医師が機械学習による診断と臨床的に関連する基準を結びつけ、皮膚癌の進行に対する理解を深めることを目指しています。