長期テール分布は医療画像分類における根強い課題です。多クラス医療データセットでは、希少な疾患クラス（特に重篤なもの）のサンプル数が一般的なクラスに比べて極端に少なく、ディープラーニングモデルはこれらの「テール」クラスで性能が大幅に低下します。この問題は臨床現場で深刻であり、希少クラスは高リスク疾患に対応するため、高い診断精度が求められます。
既存の対策としては、専用アーキテクチャの設計、リバランス損失関数（例：焦点損失）、手動データ拡張などがありますが、これらの改善は限定的であり、生成されるバリエーションが乏しく決定論的であるため、複雑な実環境への拡張が困難です。
これらの課題に対処するため、Intel LabsのJiaxiang Jiang、Mahesh Subedar、Omesh Tickooは2026年5月に提出した論文で、拡散モデルを活用した合成データ拡張パイプラインを提案しました。このアプローチの中心は、新規のインペインティング拡散モデル（inpainting diffusion model）であり、病変領域を基に現実的な合成画像を生成します。さらに、分布外（Out-of-Distribution, OOD）後選択メカニズムにより、生成サンプルの多様性と臨床的意義を確保します。
研究チームは、最大かつ最も不均衡な医用画像ベンチマークの一つであるISIC2019皮膚病変分類データセットで評価を行いました。実験の結果、提案手法は全体的な分類性能を大幅に向上させ、特にサンプル数が最も少ないテールクラスで28%以上の改善を達成しました。この成果は、拡散モデルに基づくデータ拡張が長期テール不均衡問題の緩和に効果的であることを示し、医療画像分類のロバスト性向上に貢献します。
本手法は皮膚病変に限定されず、網膜疾患や肺疾患など他の医療画像領域にも応用可能であり、医療データにおける長期テール分布問題に対する有効な解決策を提供します。著者らはIntel Labsに所属し、産業界が医療AIの発展に積極的に寄与していることを示しています。