論文の概要: Automated Cervical Cancer Detection through Visual Inspection with Acetic Acid in Resource-Poor Settings with Lightweight Deep Learning Models Deployed on an Android Device

• arxiv url: http://arxiv.org/abs/2508.13253v1
• Date: Mon, 18 Aug 2025 14:44:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.690512
• Title: Automated Cervical Cancer Detection through Visual Inspection with Acetic Acid in Resource-Poor Settings with Lightweight Deep Learning Models Deployed on an Android Device
• Title（参考訳）: Android デバイスに展開した軽量深層学習モデルを用いたリソースプール設定におけるアクトン酸を用いた視覚検査による頸部癌自動検出
• Authors: Leander Melroy Maben, Keerthana Prasad, Shyamala Guruvare, Vidya Kudva, P C Siddalingaswamy,
• Abstract要約: 本稿では,関心領域(ROI)検出器としてEfficientDet-Lite3と,分類のためのMobileNet-V2ベースのモデルを含む,軽量なディープラーニングアルゴリズムを提案する。 これらのモデルはアンドロイドベースのデバイスにデプロイされ、遠隔操作が可能で、ほぼ瞬時に結果が得られる。 分類モデルは精度92.31%、感度98.24%、特異度88.37%である。
• 参考スコア（独自算出の注目度）: 0.13194391758295113
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cervical cancer is among the most commonly occurring cancer among women and claims a huge number of lives in low and middle-income countries despite being relatively easy to treat. Several studies have shown that public screening programs can bring down cervical cancer incidence and mortality rates significantly. While several screening tests are available, visual inspection with acetic acid (VIA) presents itself as the most viable option for low-resource settings due to the affordability and simplicity of performing the test. VIA requires a trained medical professional to interpret the test and is subjective in nature. Automating VIA using AI eliminates subjectivity and would allow shifting of the task to less trained health workers. Task shifting with AI would help further expedite screening programs in low-resource settings. In our work, we propose a lightweight deep learning algorithm that includes EfficientDet-Lite3 as the Region of Interest (ROI) detector and a MobileNet- V2 based model for classification. These models would be deployed on an android-based device that can operate remotely and provide almost instant results without the requirement of highly-trained medical professionals, labs, sophisticated infrastructure, or internet connectivity. The classification model gives an accuracy of 92.31%, a sensitivity of 98.24%, and a specificity of 88.37% on the test dataset and presents itself as a promising automated low-resource screening approach.
• Abstract（参考訳）: 子宮頸癌は女性の中で最も多く発生するがんであり、治療が比較的容易であるにもかかわらず、低所得国や中所得国でかなりの数の死亡が報告されている。 いくつかの研究では、公的スクリーニングプログラムが子宮頸癌の発生率と死亡率を大幅に低下させる可能性があることが示されている。 いくつかのスクリーニングテストが利用可能であるが、アセト酸(VIA)を用いた視覚検査は、テストの実行の可否と簡易性のため、低リソース設定において最も有効な選択肢である。 VIAは、試験を解釈するために訓練された医療専門家を必要とし、自然に主観的である。 AIを使用したVIAの自動化は主観性を排除し、訓練の少ない医療従事者へのタスクのシフトを可能にする。 AIによるタスクシフトは、低リソース環境でのスクリーニングプログラムのさらなる高速化に役立つだろう。 本研究では,関心領域(ROI)検出器としてEfficientDet-Lite3と,分類のためのMobileNet-V2ベースのモデルを含む,軽量なディープラーニングアルゴリズムを提案する。 これらのモデルは、遠隔操作が可能なアンドロイドベースのデバイスにデプロイされ、高度に訓練された医療専門家、実験室、高度なインフラ、インターネット接続を必要とせずに、ほぼ瞬時に結果を提供する。 分類モデルは精度92.31%、感度98.24%、特異度88.37%をテストデータセットに与え、自らを有望な低リソーススクリーニングアプローチとして提示する。

関連論文リスト

• Beyond Benchmarks: Dynamic, Automatic And Systematic Red-Teaming Agents For Trustworthy Medical Language Models [87.66870367661342]
  大規模言語モデル(LLM)は、医療におけるAIアプリケーションで使用される。 LLMを継続的にストレステストするレッドチームフレームワークは、4つのセーフティクリティカルなドメインで重大な弱点を明らかにすることができる。 敵エージェントのスイートは、自律的に変化するテストケースに適用され、安全でないトリガー戦略を特定し、評価する。 私たちのフレームワークは、進化可能でスケーラブルで信頼性の高い、次世代の医療AIのセーフガードを提供します。
  論文  参考訳（メタデータ） (2025-07-30T08:44:22Z)
• AI Assisted Cervical Cancer Screening for Cytology Samples in Developing Countries [0.18472148461613155]
  頸部がんは依然として重大な健康上の問題であり、高い死亡率と死亡率がある。 従来の液体ベース細胞学(LBC)は、労働集約的なプロセスであり、専門家の病理医を必要とし、エラーを生じやすい。 本稿では, 低コストな生体顕微鏡と, 簡易かつ効率的なAIアルゴリズムを統合し, 自動全すべり解析を行う革新的な手法を提案する。
  論文  参考訳（メタデータ） (2025-04-29T05:18:59Z)
• Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
  本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。 本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
  論文  参考訳（メタデータ） (2024-05-23T07:03:38Z)
• AI-Assisted Cervical Cancer Screening [0.7124971549479362]
  低所得国と中所得国(LMICs)の資源制約環境では、視覚検査が最も有効な頸がん検診試験である。 カメラやスマートフォンを統合するさまざまなハンドヘルドデバイスは、最近、VIA中に頚部画像をキャプチャし、遠隔医療やAIモデルによる意思決定を支援するために研究されている。 本稿では,スマートフォンをベースとしたAI支援システムを構築するためのエンド・ツー・エンドの設計プロセスについて述べる。
  論文  参考訳（メタデータ） (2024-03-18T16:34:38Z)
• A Voting-Stacking Ensemble of Inception Networks for Cervical Cytology Classification [10.61705267657852]
  子宮頸癌は女性の健康を脅かす最も深刻な疾患の1つである。 本稿では,3つのインセプションネットワークをベースラーナーとして利用し,投票アンサンブルを通じてその出力を統合する投票-乗算アンサンブル戦略を提案する。 実験結果は、現在の最先端(SOTA)法よりも優れており、スクリーニングの負荷を減らし、病理学者が子宮頸がんを検出するのに役立つ可能性を示している。
  論文  参考訳（メタデータ） (2023-08-05T03:21:12Z)
• 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)
• An Explainable-AI approach for Diagnosis of COVID-19 using MALDI-ToF Mass Spectrometry [0.9250974571641537]
  重症急性呼吸器症候群2型(SARS-CoV-2)は世界的なパンデミックを引き起こし、世界経済に大きな影響を与えた。 近年では、現在の金標準リアルタイムポリメラーゼ連鎖反応(RT-PCR)結果と高い一致を示す複数の代替プラットフォームが公表されている。 これらの新しい方法は鼻咽頭(NP)スワブを除去し、複雑な試薬の必要性を排除し、RT-PCRテスト試薬の供給の負担を軽減する。 本研究では,人工知能を用いたAIテスト手法を設計し,実験結果の信頼性について検討した。
  論文  参考訳（メタデータ） (2021-09-28T23:29:31Z)
• Active learning for medical code assignment [55.99831806138029]
  臨床領域における多ラベルテキスト分類におけるアクティブラーニング(AL)の有効性を示す。 MIMIC-IIIデータセットにICD-9コードを自動的に割り当てるために、よく知られたALメソッドのセットを適用します。 その結果、有益なインスタンスの選択は、大幅に減少したトレーニングセットで満足のいく分類を提供する。
  論文  参考訳（メタデータ） (2021-04-12T18:11:17Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。