論文の概要: Towards Field-Ready AI-based Malaria Diagnosis: A Continual Learning Approach

• arxiv url: http://arxiv.org/abs/2507.23648v1
• Date: Thu, 31 Jul 2025 15:25:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-01 17:19:10.026806
• Title: Towards Field-Ready AI-based Malaria Diagnosis: A Continual Learning Approach
• Title（参考訳）: 現場対応AIベースのマラリア診断に向けて:継続的な学習アプローチ
• Authors: Louise Guillon, Soheib Biga, Yendoube E. Kantchire, Mouhamadou Lamine Sane, Grégoire Pasquier, Kossi Yakpa, Stéphane E. Sossou, Marc Thellier, Laurent Bonnardot, Laurence Lachaud, Renaud Piarroux, Ameyo M. Dorkenoo,
• Abstract要約: マラリアは、特に低リソース環境では、世界的な健康上の大きな課題であり続けている。 深層学習に基づくコンピュータ支援診断システムを開発し,薄型スミア画像に有望な性能を示す。 しかし、その臨床展開は、様々な条件の部位にまたがる限定的な一般化によって妨げられる可能性がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Malaria remains a major global health challenge, particularly in low-resource settings where access to expert microscopy may be limited. Deep learning-based computer-aided diagnosis (CAD) systems have been developed and demonstrate promising performance on thin blood smear images. However, their clinical deployment may be hindered by limited generalization across sites with varying conditions. Yet very few practical solutions have been proposed. In this work, we investigate continual learning (CL) as a strategy to enhance the robustness of malaria CAD models to domain shifts. We frame the problem as a domain-incremental learning scenario, where a YOLO-based object detector must adapt to new acquisition sites while retaining performance on previously seen domains. We evaluate four CL strategies, two rehearsal-based and two regularization-based methods, on real-life conditions thanks to a multi-site clinical dataset of thin blood smear images. Our results suggest that CL, and rehearsal-based methods in particular, can significantly improve performance. These findings highlight the potential of continual learning to support the development of deployable, field-ready CAD tools for malaria.
• Abstract（参考訳）: マラリアは、特に専門家の顕微鏡へのアクセスが制限される低リソース環境では、依然として大きな世界的な健康上の課題である。 深層学習に基づくコンピュータ支援診断システム (CAD) が開発され, 薄型スミア画像に有望な性能を示す。 しかし、その臨床展開は、様々な条件の部位にまたがる限定的な一般化によって妨げられる可能性がある。 しかし、実際的な解決法はほとんど提案されていない。 本研究では,マラリアCADモデルのドメインシフトに対する堅牢性を高めるための戦略として,継続学習(CL)について検討する。 我々は、この問題を、YOLOベースのオブジェクト検出器が、以前見てきたドメインの性能を維持しながら、新しい取得サイトに適応しなければならない、ドメイン増分学習のシナリオとして捉えている。 4つのCL戦略, 2つのリハーサルベース, 2つの正規化ベースの手法を, 血液スミア画像の多地点臨床データセットにより実環境下で評価した。 以上の結果から,CL,特にリハーサルに基づく手法は性能を著しく向上させる可能性が示唆された。 これらの知見は, マラリアに対するデプロイ可能な現場対応CADツールの開発を支援するための継続的学習の可能性を強調した。

関連論文リスト

• In-Context Learning for Label-Efficient Cancer Image Classification in Oncology [1.741659712094955]
  In-context Learning (ICL) は、ドメイン固有の診断タスクに対するモデル再トレーニングの実用的な代替手段である。 視覚言語モデル(VLM)-Paligemma, CLIP, ALIGN, GPT-4o の評価を行った。 ICLは、サイズが小さいにもかかわらず競争力の向上を示し、計算に制約のある臨床環境への展開の可能性を示した。
  論文  参考訳（メタデータ） (2025-05-08T20:49:01Z)
• Navigating Distribution Shifts in Medical Image Analysis: A Survey [23.012651270865707]
  本稿では,分散シフトの影響を受け,深層学習手法をMedIAシステムに適用するアプローチを体系的にレビューする。 既存の作業は、共同トレーニング、フェデレートラーニング、ファインチューニング、ドメインジェネリゼーションに分類する。 これらのトピックを深く掘り下げることで、今後の研究の道筋が浮かび上がる。
  論文  参考訳（メタデータ） (2024-11-05T08:01:16Z)
• Few Exemplar-Based General Medical Image Segmentation via Domain-Aware Selective Adaptation [28.186785488818135]
  医用画像のセグメンテーションは、ドメインのギャップ、データモダリティの変化、ドメインの知識や専門家への依存による課題を引き起こす。 本稿では,自然画像で訓練した大規模モデルから学習した一般知識を,対応する医療領域・モダリティに適応させるための,ドメイン対応選択的適応手法を提案する。
  論文  参考訳（メタデータ） (2024-10-11T21:00:57Z)
• Assessing Generalization Capabilities of Malaria Diagnostic Models from Thin Blood Smears [0.0]
  本研究は,4つの部位にわたる細い血液スミア画像からマラリア診断のためのCADモデルの一般化能力について検討した。 以上の結果から, サイト固有のデータの導入により, モデルの性能が著しく向上し, より広範な臨床応用への道が開けることが示唆された。
  論文  参考訳（メタデータ） (2024-08-16T15:04:13Z)
• Detecting Shortcut Learning for Fair Medical AI using Shortcut Testing [62.9062883851246]
  機械学習は医療の改善に大いに貢献するが、その利用が健康格差を広めたり増幅したりしないことを確実にすることは重要である。 アルゴリズムの不公平性の潜在的な要因の1つ、ショートカット学習は、トレーニングデータにおける不適切な相関に基づいてMLモデルが予測した時に発生する。 マルチタスク学習を用いて,臨床MLシステムの公平性評価の一環として,ショートカット学習の評価と緩和を行う手法を提案する。
  論文  参考訳（メタデータ） (2022-07-21T09:35:38Z)
• Dissecting Self-Supervised Learning Methods for Surgical Computer Vision [51.370873913181605]
  一般のコンピュータビジョンコミュニティでは,自己監視学習(SSL)手法が普及し始めている。 医学や手術など、より複雑で影響力のある領域におけるSSLメソッドの有効性は、限定的かつ未調査のままである。 外科的文脈理解,位相認識,ツール存在検出の2つの基本的なタスクに対して,これらの手法の性能をColec80データセット上で広範囲に解析する。
  論文  参考訳（メタデータ） (2022-07-01T14:17:11Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)

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。