論文の概要: Robust Classification of Oral Cancer with Limited Training Data

• arxiv url: http://arxiv.org/abs/2510.01547v1
• Date: Thu, 02 Oct 2025 00:40:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.925284
• Title: Robust Classification of Oral Cancer with Limited Training Data
• Title（参考訳）: 限られた訓練データを用いた口腔癌のロバスト分類
• Authors: Akshay Bhagwan Sonawane, Lena D. Swamikannan, Lakshman Tamil,
• Abstract要約: 本稿では,小さな訓練セットを用いた口腔癌分類のための,畳み込みニューラルネットワーク(CNN)とベイズ深層学習を組み合わせたハイブリッドモデルを提案する。 提案したモデルは、従来のCNNのパフォーマンスに匹敵する、トレーニングデータと同様の分布を持つテストデータセットで94%の精度を達成した。 信頼分析の結果, 正しい分類標本に対する不確実性(高い信頼度)と誤分類標本に対する不確実性(低い信頼度)が認められた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Oral cancer ranks among the most prevalent cancers globally, with a particularly high mortality rate in regions lacking adequate healthcare access. Early diagnosis is crucial for reducing mortality; however, challenges persist due to limited oral health programs, inadequate infrastructure, and a shortage of healthcare practitioners. Conventional deep learning models, while promising, often rely on point estimates, leading to overconfidence and reduced reliability. Critically, these models require large datasets to mitigate overfitting and ensure generalizability, an unrealistic demand in settings with limited training data. To address these issues, we propose a hybrid model that combines a convolutional neural network (CNN) with Bayesian deep learning for oral cancer classification using small training sets. This approach employs variational inference to enhance reliability through uncertainty quantification. The model was trained on photographic color images captured by smartphones and evaluated on three distinct test datasets. The proposed method achieved 94% accuracy on a test dataset with a distribution similar to that of the training data, comparable to traditional CNN performance. Notably, for real-world photographic image data, despite limitations and variations differing from the training dataset, the proposed model demonstrated superior generalizability, achieving 88% accuracy on diverse datasets compared to 72.94% for traditional CNNs, even with a smaller dataset. Confidence analysis revealed that the model exhibits low uncertainty (high confidence) for correctly classified samples and high uncertainty (low confidence) for misclassified samples. These results underscore the effectiveness of Bayesian inference in data-scarce environments in enhancing early oral cancer diagnosis by improving model reliability and generalizability.
• Abstract（参考訳）: 口腔がんは世界中で最も多いがんの1つであり、医療アクセスが不十分な地域では特に死亡率が高い。 早期診断は死亡率の低下に不可欠であるが、限られた口腔保健プログラム、不十分なインフラ、医療従事者の不足による課題が続く。 従来のディープラーニングモデルは、有望ではあるが、しばしばポイント推定に依存し、過剰な自信と信頼性の低下につながります。 重要な点として、これらのモデルは、トレーニングデータに制限された設定における非現実的な要求であるオーバーフィッティングを緩和し、一般化性を保証するために、大規模なデータセットを必要とする。 これらの課題に対処するために,小さなトレーニングセットを用いた口腔癌分類のための,畳み込みニューラルネットワーク(CNN)とベイズ深層学習を組み合わせたハイブリッドモデルを提案する。 このアプローチでは、不確実性定量化による信頼性を高めるために、変分推論を用いる。 このモデルは、スマートフォンが捉えた写真カラー画像に基づいて訓練され、3つの異なるテストデータセットで評価された。 提案手法は,従来のCNNの性能に匹敵する,トレーニングデータに類似した分布を持つテストデータセットにおいて,94%の精度を達成した。 特に、実世界の写真データでは、トレーニングデータセットとは異なる制限やバリエーションがあるにもかかわらず、提案モデルはより優れた一般化可能性を示し、従来のCNNでは72.94%、たとえ小さなデータセットであっても、多様なデータセットでは88%の精度を達成した。 信頼分析の結果, 正しい分類標本に対する不確実性(高い信頼度)と誤分類標本に対する不確実性(低い信頼度)が認められた。 これらの結果は, 早期口腔癌診断におけるベイズ推定の有効性を, モデルの信頼性と一般化性の向上により裏付けるものである。

関連論文リスト

• Hybrid Approach for Enhancing Lesion Segmentation in Fundus Images [0.0]
  脈絡膜壊死は良性色素性眼の病変であり、メラノーマに転移するリスクは少ない。 早期発見は生存率を改善するために重要であるが、誤診や診断の遅れは予後不良につながる可能性がある。 本稿では,数理/クラスタリングセグメンテーションモデルとU-Netの知見を組み合わせた新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-09-29T22:10:56Z)
• Refining Tuberculosis Detection in CXR Imaging: Addressing Bias in Deep Neural Networks via Interpretability [1.9936075659851882]
  実験データから完全な分類精度を得ることができたとしても,深層学習モデルの信頼性は限られていると論じる。 大規模プロキシタスクでディープニューラルネットワークを事前トレーニングし、MOON(Mixed objective Optimization Network)を使用することで、モデルとエキスパート間の決定基盤の整合性を改善することができることを示す。
  論文  参考訳（メタデータ） (2024-07-19T06:41:31Z)
• Generative models improve fairness of medical classifiers under distribution shifts [49.10233060774818]
  データから現実的な拡張を自動的に学習することは、生成モデルを用いてラベル効率の良い方法で可能であることを示す。 これらの学習の強化は、モデルをより堅牢で統計的に公平に配布できることを示した。
  論文  参考訳（メタデータ） (2023-04-18T18:15:38Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Confidence Aware Neural Networks for Skin Cancer Detection [12.300911283520719]
  画像からの皮膚癌検出における不確かさを定量化する3つの方法を提案する。 その結果, 予測不確実性推定手法は, リスクや誤予測を予測できることがわかった。 また、アンサンブルアプローチは推論によって不確実性を捉える上でより信頼性が高いことを示す。
  論文  参考訳（メタデータ） (2021-07-19T19:21:57Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。