論文の概要: Deep Transfer Learning for Kidney Cancer Diagnosis

• arxiv url: http://arxiv.org/abs/2408.04318v2
• Date: Thu, 03 Jul 2025 09:49:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-04 15:37:12.673121
• Title: Deep Transfer Learning for Kidney Cancer Diagnosis
• Title（参考訳）: 腎癌診断のためのDeep Transfer Learning
• Authors: Yassine Habchi, Hamza Kheddar, Yassine Himeur, Mohamed Chahine Ghanem, Abdelkrim Boukabou, Shadi Atalla, Wathiq Mansoor, Hussain Al-Ahmad,
• Abstract要約: 腎臓病は依然として重要な世界的な健康問題であり、早期診断と治療を改善するために進行中の研究が必要である。 深層学習(DL)は、医学的画像診断と診断において有望であり、腎癌(KC)の自動検出において大きな進歩をもたらした。 これらの障壁を克服するために、トランスファーラーニング(TL)が効果的なアプローチとして登場し、関連するドメインから事前学習されたモデルの再利用を可能にした。
• 参考スコア（独自算出の注目度）: 2.760436205730711
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Incurable diseases continue to pose major challenges to global healthcare systems, with their prevalence shaped by lifestyle, economic, social, and genetic factors. Among these, kidney disease remains a critical global health issue, requiring ongoing research to improve early diagnosis and treatment. In recent years, deep learning (DL) has shown promise in medical imaging and diagnostics, driving significant progress in automatic kidney cancer (KC) detection. However, the success of DL models depends heavily on the availability of high-quality, domain-specific datasets, which are often limited and expensive to acquire. Moreover, DL models demand substantial computational power and storage, restricting their real-world clinical use. To overcome these barriers, transfer learning (TL) has emerged as an effective approach, enabling the reuse of pre-trained models from related domains to enhance KC diagnosis. This paper presents a comprehensive survey of DL-based TL frameworks for KC detection, systematically reviewing key methodologies, their advantages, and limitations, and analyzing their practical performance. It further discusses challenges in applying TL to medical imaging and highlights emerging trends that could influence future research. This review demonstrates the transformative role of TL in precision medicine, particularly oncology, by improving diagnostic accuracy, lowering computational demands, and supporting the integration of AI-powered tools in healthcare. The insights provided offer valuable guidance for researchers and practitioners, paving the way for future advances in KC diagnostics and personalized treatment strategies.
• Abstract（参考訳）: 不発病は、ライフスタイル、経済的、社会的、遺伝的要因によって形作られたその流行によって、グローバルな医療システムに大きな課題を呈し続けている。 これらのうち、腎臓病は依然として重要な世界的な健康問題であり、早期診断と治療を改善するために進行中の研究が必要である。 近年、深層学習(DL)は、医学的画像診断や診断において有望であり、腎癌(KC)の自動診断において大きな進歩をもたらした。 しかし、DLモデルの成功は、高品質でドメイン固有のデータセットの可用性に大きく依存する。 さらに、DLモデルは計算能力と記憶力を必要とし、実際の臨床使用を制限する。 これらの障壁を克服するために、トランスファーラーニング(TL)が効果的なアプローチとして登場し、関連するドメインから事前訓練されたモデルの再利用を可能にし、KC診断を強化した。 本稿では,KC検出のためのDLベースのTLフレームワークを網羅的に調査し,鍵となる方法論,その利点,限界を体系的に検討し,その実用性について分析する。 さらに、医療画像にTLを適用する際の課題についても論じ、今後の研究に影響を与える可能性のある新たなトレンドを強調している。 本稿では、診断精度の向上、計算要求の低減、医療におけるAI駆動ツールの統合支援などにより、精密医療、特に腫瘍学におけるTLの転換的役割を実証する。 これらの洞察は、KC診断とパーソナライズされた治療戦略の今後の進歩への道を開く、研究者や実践者に貴重なガイダンスを提供する。

関連論文リスト

• Advanced Deep Learning and Large Language Models: Comprehensive Insights for Cancer Detection [5.428095624923599]
  深層学習(DL)は、特にがんの検出と診断において医療を変革した。 医療におけるDLに関する多くのレビューにもかかわらず、がん検出におけるその役割に関する包括的な分析は依然として限られている。 本稿では、トランスファーラーニング(TL)、強化学習(RL)、フェデレーションラーニング(FL)、トランスフォーマー(Transformer)、大規模言語モデル(LLMs)などの先進的なDL手法を見直し、これらのギャップに対処する。
  論文  参考訳（メタデータ） (2025-03-30T15:17:40Z)
• Enhancing Cancer Diagnosis with Explainable & Trustworthy Deep Learning Models [1.1060425537315088]
  本研究は, 説明可能な人工知能(XAI)と深層学習技術を用いて, がんの診断と予測に革新的なアプローチを提案する。 我々の研究は、意思決定プロセスに関する正確な結果と明確な洞察を提供するAIモデルを開発した。 このモデルの応用は、がんの診断を超えて、医学的な意思決定の様々な側面を変え、世界中の数百万人の命を救う可能性がある。
  論文  参考訳（メタデータ） (2024-12-23T12:50:47Z)
• The Role of Explainable AI in Revolutionizing Human Health Monitoring [0.0]
  説明可能なAI(XAI)は、より明確で、患者のケアを大幅に改善する可能性がある。 本稿では,パーキンソン病,脳卒中,うつ病,癌,心臓病,アルツハイマー病などの慢性疾患について概説する。 この論文は、ヒトの健康モニタリングにおけるXAIの課題と今後の研究機会を批判的に評価することで締めくくられる。
  論文  参考訳（メタデータ） (2024-09-11T15:31:40Z)
• Assessing and Enhancing Large Language Models in Rare Disease Question-answering [64.32570472692187]
  本稿では,レアな疾患の診断におけるLarge Language Models (LLMs) の性能を評価するために,レアな疾患問合せデータセット(ReDis-QA)を導入する。 ReDis-QAデータセットでは1360の高品質な質問応答ペアを収集し,205の稀な疾患をカバーした。 その後、いくつかのオープンソースのLCMをベンチマークし、希少疾患の診断がこれらのモデルにとって重要な課題であることを示した。 実験の結果,ReCOPは,ReDis-QAデータセット上でのLCMの精度を平均8%向上できることがわかった。
  論文  参考訳（メタデータ） (2024-08-15T21:09:09Z)
• TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
  本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。 データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。 このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
  論文  参考訳（メタデータ） (2024-06-30T09:13:10Z)
• A Survey of Artificial Intelligence in Gait-Based Neurodegenerative Disease Diagnosis [51.07114445705692]
  神経変性疾患(神経変性疾患、ND)は、伝統的に医学的診断とモニタリングのために広範囲の医療資源と人的努力を必要とする。 重要な疾患関連運動症状として、ヒトの歩行を利用して異なるNDを特徴づけることができる。 人工知能(AI)モデルの現在の進歩は、NDの識別と分類のための自動歩行分析を可能にする。
  論文  参考訳（メタデータ） (2024-05-21T06:44:40Z)
• Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
  本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。 この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-02-16T05:16:20Z)
• From Data to Insights: A Comprehensive Survey on Advanced Applications in Thyroid Cancer Research [18.42107238058712]
  甲状腺癌における機械学習応用の包括的分類法を体系的に検討し,検討を行った。 合計758の関連研究が特定され、精査された。 この領域で直面する重要な課題を強調し、今後の研究機会を提案する。
  論文  参考訳（メタデータ） (2024-01-08T08:10:37Z)
• Deep Neural Decision Forest: A Novel Approach for Predicting Recovery or Decease of Patients [1.0874223087191939]
  本研究の目的は,深層学習アルゴリズムが患者の道徳を予測できるかどうかを検討することである。 臨床およびRT-PCRがどちらが信頼性が高いかを予測するための予測に与える影響について検討した。 その結果, RT-PCRを用いない臨床単独が, 80%の精度で最も効果的な診断方法であることが示唆された。
  論文  参考訳（メタデータ） (2023-11-23T11:21:40Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• COVID-Net Biochem: An Explainability-driven Framework to Building Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19 Patients from Clinical and Biochemistry Data [66.43957431843324]
  我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。 この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
  論文  参考訳（メタデータ） (2022-04-24T07:38:37Z)
• Machine learning based disease diagnosis: A comprehensive review [0.0]
  このレビューでは、機械学習(ML)とディープラーニング(DL)が、多くの病気の早期発見にどのように利用されているかを説明します。 1216の出版物に関する文献学的研究は、最も多作な著者、国、組織、そして最も引用された記事を決定するために行われた。 このレビューでは、機械学習ベースの疾患診断(MLBDD)の最新動向とアプローチをまとめている。
  論文  参考訳（メタデータ） (2021-12-31T16:25:23Z)
• Heterogeneity Loss to Handle Intersubject and Intrasubject Variability in Cancer [11.440201348567681]
  深層学習(DL)モデルは、医学領域において顕著な結果を示している。 これらのAI手法は、開発途上国に安価な医療ソリューションとして大きな支援を提供することができる。 この研究は、そのような血液がん診断の応用に焦点をあてている。
  論文  参考訳（メタデータ） (2020-03-06T16:16:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。