論文の概要: Explainable AI Technique in Lung Cancer Detection Using Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2508.10196v1
• Date: Wed, 13 Aug 2025 21:02:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.120568
• Title: Explainable AI Technique in Lung Cancer Detection Using Convolutional Neural Networks
• Title（参考訳）: 畳み込みニューラルネットワークを用いた肺癌検出における説明可能なAI技術
• Authors: Nishan Rai, Sujan Khatri, Devendra Risal,
• Abstract要約: 胸部CT画像から肺がん自動検診を行うための枠組みについて述べる。 IQ-OTH/NCCDデータセット(正常クラス、良性クラス、悪性クラスを1,197スキャン)を用いて、カスタム畳み込みニューラルネットワーク(CNN)と、DenseNet121、ResNet152、VGG19の3つの微調整されたトランスファーラーニングバックボーンを評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Early detection of lung cancer is critical to improving survival outcomes. We present a deep learning framework for automated lung cancer screening from chest computed tomography (CT) images with integrated explainability. Using the IQ-OTH/NCCD dataset (1,197 scans across Normal, Benign, and Malignant classes), we evaluate a custom convolutional neural network (CNN) and three fine-tuned transfer learning backbones: DenseNet121, ResNet152, and VGG19. Models are trained with cost-sensitive learning to mitigate class imbalance and evaluated via accuracy, precision, recall, F1-score, and ROC-AUC. While ResNet152 achieved the highest accuracy (97.3%), DenseNet121 provided the best overall balance in precision, recall, and F1 (up to 92%, 90%, 91%, respectively). We further apply Shapley Additive Explanations (SHAP) to visualize evidence contributing to predictions, improving clinical transparency. Results indicate that CNN-based approaches augmented with explainability can provide fast, accurate, and interpretable support for lung cancer screening, particularly in resource-limited settings.
• Abstract（参考訳）: 肺癌の早期発見は生存率の向上に不可欠である。 胸部CT画像から肺がん自動検診を行うためのディープラーニングフレームワークを提案する。 IQ-OTH/NCCDデータセット(正常クラス、良性クラス、悪性クラスを1,197スキャン)を用いて、カスタム畳み込みニューラルネットワーク(CNN)と、DenseNet121、ResNet152、VGG19の3つの微調整されたトランスファーラーニングバックボーンを評価する。 モデルは、クラス不均衡を軽減し、精度、精度、リコール、F1スコア、ROC-AUCを通じて評価するために、コスト感受性の学習で訓練される。 ResNet152は最高精度(97.3%)を達成したが、DenseNet121は精度、リコール、F1(それぞれ92%、90%、91%)で最高の総合バランスを提供した。 さらに、Shapley Additive Explanations (SHAP) を用いて、予測に寄与する証拠を可視化し、臨床透明性を向上させる。 以上の結果から,CNNによる肺がん検診の迅速かつ正確かつ解釈可能なサポートを,特に資源限定の環境で実現できることが示唆された。

関連論文リスト

• Multi-Attention Stacked Ensemble for Lung Cancer Detection in CT Scans [3.8121150313479655]
  3つの事前訓練されたバックボーンは96 x 96ピクセルの入力に合わせたカスタム分類ヘッドで適合する。 2段階の注意機構は、ロジットからモデルワイドとクラスワイドの両方の重要点を学習する。 LIDC-IDRIデータセットの実験では、98.09の精度と0.9961 AUCを達成した。
  論文  参考訳（メタデータ） (2025-07-27T11:03:07Z)
• 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)
• Cancer-Net PCa-Seg: Benchmarking Deep Learning Models for Prostate Cancer Segmentation Using Synthetic Correlated Diffusion Imaging [65.83291923029985]
  前立腺癌(PCa)は米国で最も多いがんであり、約30,000人、全診断の29%、2024年に35,000人が死亡した。 前立腺特異的抗原 (PSA) 検査やMRI (MRI) などの従来のスクリーニング法は診断において重要であるが、特異性や一般化性には限界がある。 U-Net, SegResNet, Swin UNETR, Attention U-Net, LightM-UNetといった最先端のディープラーニングモデルを用いて200ドルのCDIから前立腺を抽出する。
  論文  参考訳（メタデータ） (2025-01-15T22:23:41Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• ResNet101 and DAE for Enhance Quality and Classification Accuracy in Skin Cancer Imaging [0.0]
  本稿では,ResNet101を用いて,Deep Autoencoder (DAE) という,革新的な畳み込み型アンサンブルネットワーク手法を提案する。 この方法は、畳み込みに基づくディープニューラルネットワークを用いて皮膚がんを検出する。 精度96.03%、精度95.40%、リコール96.05%、F測定0.9576、AUC0.98である。
  論文  参考訳（メタデータ） (2024-03-21T09:07:28Z)
• LCDctCNN: Lung Cancer Diagnosis of CT scan Images Using CNN Based Model [0.0]
  我々は,CTスキャン画像を用いた肺がん早期検出のためのディープラーニングモデルに基づく畳み込みニューラルネットワークフレームワークを提案する。 精度は92%、AUCは98.21%、リコールは91.72%、損失は0.328である。
  論文  参考訳（メタデータ） (2023-04-10T18:47:20Z)
• CovidExpert: A Triplet Siamese Neural Network framework for the detection of COVID-19 [0.0]
  我々は、この危険な病気のポストエフェクトを減らすために、新型コロナウイルスの早期検出のための数発の学習モデルを開発した。 提案したアーキテクチャは、数ショットの学習と事前訓練された畳み込みニューラルネットワークのアンサンブルを組み合わせる。 提案されたモデルでは、全体的な精度は98.719%、特異性は99.36%、感度は98.72%、ROCスコアは99.9%であった。
  論文  参考訳（メタデータ） (2023-02-17T17:18:02Z)
• 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)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)

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。