Fugu-MT 論文翻訳(概要): Model Compression Engine for Wearable Devices Skin Cancer Diagnosis

論文の概要: Model Compression Engine for Wearable Devices Skin Cancer Diagnosis

arxiv url: http://arxiv.org/abs/2507.17125v1
Date: Wed, 23 Jul 2025 02:02:24 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-24 22:33:14.822775
Title: Model Compression Engine for Wearable Devices Skin Cancer Diagnosis
Title（参考訳）: 皮膚癌診断のためのモデル圧縮エンジン
Authors: Jacob M. Delgado-López, Andrea P. Seda-Hernandez, Juan D. Guadalupe-Rosado, Luis E. Fernandez Ramirez, Miguel Giboyeaux-Camilo, Wilfredo E. Lugo-Beauchamp,
Abstract要約: 皮膚がんは最も一般的で予防可能ながんの1つであるが、早期発見は依然として課題である。本研究では,このギャップに対処するために組込みシステムに最適化されたAI駆動型診断ツールを提案する。
参考スコア（独自算出の注目度）: 0.04818215922729968
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Skin cancer is one of the most prevalent and preventable types of cancer, yet its early detection remains a challenge, particularly in resource-limited settings where access to specialized healthcare is scarce. This study proposes an AI-driven diagnostic tool optimized for embedded systems to address this gap. Using transfer learning with the MobileNetV2 architecture, the model was adapted for binary classification of skin lesions into "Skin Cancer" and "Other." The TensorRT framework was employed to compress and optimize the model for deployment on the NVIDIA Jetson Orin Nano, balancing performance with energy efficiency. Comprehensive evaluations were conducted across multiple benchmarks, including model size, inference speed, throughput, and power consumption. The optimized models maintained their performance, achieving an F1-Score of 87.18% with a precision of 93.18% and recall of 81.91%. Post-compression results showed reductions in model size of up to 0.41, along with improvements in inference speed and throughput, and a decrease in energy consumption of up to 0.93 in INT8 precision. These findings validate the feasibility of deploying high-performing, energy-efficient diagnostic tools on resource-constrained edge devices. Beyond skin cancer detection, the methodologies applied in this research have broader applications in other medical diagnostics and domains requiring accessible, efficient AI solutions. This study underscores the potential of optimized AI systems to revolutionize healthcare diagnostics, thereby bridging the divide between advanced technology and underserved regions.
Abstract（参考訳）: 皮膚がんは最も一般的で予防可能ながんの1つであるが、その早期発見は、特に専門医療へのアクセスが不十分なリソース制限された環境では、依然として課題である。本研究では,このギャップに対処するために組込みシステムに最適化されたAI駆動型診断ツールを提案する。 MobileNetV2アーキテクチャを用いた転写学習を用いて,皮膚病変を「皮膚癌」と「他のがん」に分類した。 TensorRTフレームワークはNVIDIA Jetson Orin Nano上に配置するモデルの圧縮と最適化に使用され、性能とエネルギー効率のバランスがとれた。モデルサイズ、推論速度、スループット、消費電力など、総合的な評価を複数のベンチマークで行った。最適化されたモデルは性能を維持し、F1スコアは87.18%、精度は93.18%、リコールは81.91%だった。圧縮後の結果、モデルサイズは最大0.41まで減少し、推論速度とスループットが向上し、INT8精度では最大0.93までのエネルギー消費が減少した。これらの結果から,資源制約エッジデバイスに高性能でエネルギー効率の高い診断ツールを展開できる可能性が検証された。皮膚がんの検出以外にも、本研究で適用された方法論は、他の医学診断や、アクセスしやすく効率的なAIソリューションを必要とする領域に広く応用されている。この研究は、医療診断に革命をもたらすために最適化されたAIシステムの可能性を強調する。

関連論文リスト

Automatic Cough Analysis for Non-Small Cell Lung Cancer Detection [33.37223681850477]
非小細胞肺癌(NSCLC)の早期発見は患者の予後改善に重要である。本研究では,NSCLC患者と健常者との鑑別のためのスクリーニングツールとして,自動コークス分析の利用について検討する。記録は、サポートベクタマシン(SVM)やXGBoostといった機械学習技術を用いて分析された。
論文参考訳（メタデータ） (2025-07-25T11:30:22Z)
Computer Vision for Real-Time Monkeypox Diagnosis on Embedded Systems [0.0]
本研究では,NVIDIA Jetson Orin Nano上に展開するAI駆動型診断ツールを提案する。このモデルはオープンソースのMonkeypox Skin Lesionデータセットでトレーニングされ、93.07%のF1スコアを達成した。この診断ツールは、未保存地域の診断問題に対処するために、効率的でスケーラブルでエネルギーを意識したソリューションである。
論文参考訳（メタデータ） (2025-07-23T01:53:31Z)
PathBench: A comprehensive comparison benchmark for pathology foundation models towards precision oncology [33.51485504161335]
病理基盤モデル(PFM)の最初の包括的なベンチマークであるPathBenchを紹介する。我々のフレームワークは大規模データを組み込んで,PFMの客観的比較を可能にする。当院では10病院で8,549人の患者から15,888件のWSIを収集し,64件以上の診断・予後調査を行った。
論文参考訳（メタデータ） (2025-05-26T16:42:22Z)
Efficient Brain Tumor Segmentation Using a Dual-Decoder 3D U-Net with Attention Gates (DDUNet) [0.0]
がんは世界中で死亡する主要な原因の1つであり、その多くの形態の中で、脳腫瘍は特に悪名高い。人工知能の最近の進歩は、正確な腫瘍分割を行う医療専門家を支援することに大きな期待を示している。本稿では,MRI スキャンによる脳腫瘍の分節化に特化して設計された,アテンションゲート型スキップ接続により拡張された新しいデュアルデコーダ U-Net アーキテクチャを提案する。
論文参考訳（メタデータ） (2025-04-14T22:45:33Z)
Congenital Heart Disease Classification Using Phonocardiograms: A Scalable Screening Tool for Diverse Environments [34.10187730651477]
先天性心疾患(CHD)は早期発見を必要とする重要な疾患である。本研究では, 心電図(PCG)信号を用いたCHD検出のための深層学習モデルを提案する。バングラデシュの一次データセットを含むいくつかのデータセットで、我々のモデルを評価した。
論文参考訳（メタデータ） (2025-03-28T05:47:44Z)
GS-TransUNet: Integrated 2D Gaussian Splatting and Transformer UNet for Accurate Skin Lesion Analysis [44.99833362998488]
本稿では,2次元ガウススプラッティングとTransformer UNetアーキテクチャを組み合わせた皮膚癌自動診断手法を提案する。セグメンテーションと分類の精度は著しく向上した。この統合は、新しいベンチマークをこの分野に設定し、マルチタスク医療画像解析手法のさらなる研究の可能性を強調している。
論文参考訳（メタデータ） (2025-02-23T23:28:47Z)
Efficient Brain Tumor Classification with Lightweight CNN Architecture: A Novel Approach [0.0]
MRI画像を用いた脳腫瘍の分類は、早期かつ正確な検出が患者の予後に大きな影響を及ぼす医療診断において重要である。近年のディープラーニング(DL)の進歩は将来性を示しているが、多くのモデルは精度と計算効率のバランスに苦慮している。本稿では,分離可能な畳み込みと圧縮・励振ブロック(SEブロック)を統合した新しいモデルアーキテクチャを提案する。
論文参考訳（メタデータ） (2025-02-01T21:06:42Z)
Deep learning in computed tomography pulmonary angiography imaging: a dual-pronged approach for pulmonary embolism detection [0.0]
本研究の目的は,深層学習技術を活用し,肺塞栓症(PE)のコンピュータ支援診断(CAD)を強化することである。我々の分類システムは、注意機構を用いて局所的な文脈を利用する注意誘導畳み込みニューラルネットワーク(AG-CNN)を含む。 AG-CNNはFUMPEデータセット上で堅牢なパフォーマンスを実現し、AUROCは0.927、感度は0.862、特異性は0.879、F1スコアは0.805、Inception-v3バックボーンアーキテクチャは0.805である。
論文参考訳（メタデータ） (2023-11-09T08:23:44Z)
SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2022-03-22T06:54:29Z)
Interpretability methods of machine learning algorithms with applications in breast cancer diagnosis [1.1470070927586016]
我々は,グローバルサロゲート(GS)法,個人期待(ICE)プロット,条件シェープ値(SV)などの解釈可能性技術を用いた。乳がん診断における最良の成績は,提案したERN(精度96.6%,ROC曲線0.96)により得られた。
論文参考訳（メタデータ） (2022-02-04T13:41:30Z)
EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文参考訳（メタデータ） (2022-01-13T05:24:40Z)

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。