Fugu-MT 論文翻訳(概要): Multi-Modal Oral Cancer Detection Using Weighted Ensemble Convolutional Neural Networks

論文の概要: Multi-Modal Oral Cancer Detection Using Weighted Ensemble Convolutional Neural Networks

arxiv url: http://arxiv.org/abs/2510.03878v1
Date: Sat, 04 Oct 2025 17:06:46 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-07 16:52:59.317032
Title: Multi-Modal Oral Cancer Detection Using Weighted Ensemble Convolutional Neural Networks
Title（参考訳）: 重み付きアンサンブル畳み込みニューラルネットワークを用いた口腔癌のマルチモーダル検出
Authors: Ajo Babu George, Sreehari J R Ajo Babu George, Sreehari J R Ajo Babu George, Sreehari J R,
Abstract要約: 口腔扁平上皮癌の遅発性診断は, 高い死亡率に大きく寄与する。本研究の目的は,マルチモーダルディープラーニングフレームワークを開発することにより,OSCCの早期検出を改善することである。アンサンブルモデルでは,55サンプルのマルチモーダル検証データセットにおいて,総合精度84.58%で診断堅牢性が向上した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Aims Late diagnosis of Oral Squamous Cell Carcinoma (OSCC) contributes significantly to its high global mortality rate, with over 50\% of cases detected at advanced stages and a 5-year survival rate below 50\% according to WHO statistics. This study aims to improve early detection of OSCC by developing a multimodal deep learning framework that integrates clinical, radiological, and histopathological images using a weighted ensemble of DenseNet-121 convolutional neural networks (CNNs). Material and Methods A retrospective study was conducted using publicly available datasets representing three distinct medical imaging modalities. Each modality-specific dataset was used to train a DenseNet-121 CNN via transfer learning. Augmentation and modality-specific preprocessing were applied to increase robustness. Predictions were fused using a validation-weighted ensemble strategy. Evaluation was performed using accuracy, precision, recall, F1-score. Results High validation accuracy was achieved for radiological (100\%) and histopathological (95.12\%) modalities, with clinical images performing lower (63.10\%) due to visual heterogeneity. The ensemble model demonstrated improved diagnostic robustness with an overall accuracy of 84.58\% on a multimodal validation dataset of 55 samples. Conclusion The multimodal ensemble framework bridges gaps in the current diagnostic workflow by offering a non-invasive, AI-assisted triage tool that enhances early identification of high-risk lesions. It supports clinicians in decision-making, aligning with global oncology guidelines to reduce diagnostic delays and improve patient outcomes.
Abstract（参考訳）: WHO統計によると, 口腔扁平上皮癌(OSCC)の遅発性診断は, 進行期に検出された症例の50%以上, 5年生存率の50%以下と, 高い死亡率に大きく寄与する。本研究の目的は、DenseNet-121畳み込みニューラルネットワーク(CNN)の重み付けアンサンブルを用いて、臨床、放射線学、病理画像を統合するマルチモーダルディープラーニングフレームワークを開発することにより、OSCCの早期検出を改善することである。材料と方法 3つの異なる医用画像モダリティを表す公開データセットを用いて振り返り調査を行った。各モダリティ固有のデータセットは、転送学習を通じてDenseNet-121 CNNをトレーニングするために使用された。強化およびモダリティ特異的プリプロセッシングを適用し、ロバスト性を高めた。予測は検証重み付きアンサンブル戦略を用いて融合した。精度,精度,リコール,F1スコアを用いて評価を行った。その結果, 放射線学的(100\%), 病理組織学的(95.12\%), 臨床像(63.10\%)に対する高い検証精度が得られた。アンサンブルモデルでは,55サンプルのマルチモーダル検証データセットにおいて,総合的精度84.58\%の診断精度が向上した。結論マルチモーダルアンサンブルフレームワークは、非侵襲的でAI支援のトリアージツールを提供することで、現在の診断ワークフローのギャップを埋める。臨床医の意思決定を支援し、診断の遅れを減らし、患者の成果を改善するため、世界的な腫瘍学ガイドラインに準拠する。

関連論文リスト

Deep Learning Framework for Early Detection of Pancreatic Cancer Using Multi-Modal Medical Imaging Analysis [0.7161783472741748]
膵管腺癌(PDAC)は最も致命的ながんの1つである。本研究はPDAC早期検出のためのディープラーニングフレームワークを開発し,検証する。
論文参考訳（メタデータ） (2025-08-28T15:07:04Z)
A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
論文参考訳（メタデータ） (2025-08-22T17:48:19Z)
A High Magnifications Histopathology Image Dataset for Oral Squamous Cell Carcinoma Diagnosis and Prognosis [18.549808005574985]
Multi-OSCCは口腔扁平上皮癌1,325例からなる新しい病理組織像データセットである。 x200,x400,x1000倍率の6つの高分解能組織像を呈し,コアとエッジの腫瘍領域を2倍率で観察した。このデータセットは、再発予測(REC)、リンパ節転移(LNM)、腫瘍分化(TD)、腫瘍浸潤(TI)、硬膜外浸潤(PI)の6つの重要な臨床的タスクに対して豊富に注釈付けされている。
論文参考訳（メタデータ） (2025-07-22T08:48:45Z)
PathOrchestra: A Comprehensive Foundation Model for Computational Pathology with Over 100 Diverse Clinical-Grade Tasks [39.97710183184273]
本稿では,300Kの病理スライドからなるデータセット上で,自己教師型学習を通じて学習した多種多様な病理基盤モデルPathOrchestraを提案する。このモデルは、61のプライベートデータセットと51のパブリックデータセットを組み合わせて、112の臨床的タスクで厳格に評価された。 PathOrchestraは27,755のWSIと9,415,729のROIで例外的なパフォーマンスを示し、47のタスクで0.950以上の精度を達成した。
論文参考訳（メタデータ） (2025-03-31T17:28:02Z)
HIST-AID: Leveraging Historical Patient Reports for Enhanced Multi-Modal Automatic Diagnosis [38.13689106933105]
HIST-AIDは,過去の報告から自動診断精度を高めるフレームワークである。 AUROCは6.56%増加し、AUPRCは9.51%向上した。
論文参考訳（メタデータ） (2024-11-16T03:20:53Z)
Neural Network-Based Histologic Remission Prediction In Ulcerative Colitis [38.150634108667774]
潰瘍性大腸炎(UC)の新しい治療標的としての組織学的寛解内視鏡(Endocytoscopy、EC)は、新しい超高倍率内視鏡技術である。本稿では,心電図の組織学的疾患活動を評価するニューラルネットワークモデルを提案する。
論文参考訳（メタデータ） (2023-08-28T15:54:14Z)
CIRCA: comprehensible online system in support of chest X-rays-based COVID-19 diagnosis [37.41181188499616]
深層学習技術は、新型コロナウイルスの迅速検出と疾患の進行のモニタリングに役立つ。 5つの異なるデータセットを使用して、モデルトレーニングのための23の799 CXRの代表的なデータセットを構築した。 The U-Net-based model was developed to identified a clinically relevant region of the CXR。
論文参考訳（メタデータ） (2022-10-11T13:30:34Z)
Diagnose Like a Radiologist: Hybrid Neuro-Probabilistic Reasoning for Attribute-Based Medical Image Diagnosis [42.624671531003166]
本稿では,属性に基づく医用画像診断のためのハイブリッド型ニューロ確率推論アルゴリズムを提案する。我々は,ハイブリッド推論アルゴリズムを2つの困難な画像診断タスクに適用することに成功している。
論文参考訳（メタデータ） (2022-08-19T12:06:46Z)
A Comprehensive Study of Data Augmentation Strategies for Prostate Cancer Detection in Diffusion-weighted MRI using Convolutional Neural Networks [9.554833667156913]
217例のトレーニングデータセットに,最も頻繁に使用される5つの拡張手法(ランダム回転,水平フリップ,垂直フリップ,ランダム作物,翻訳)を適用した。前立腺癌検出の精度に及ぼす各方法の影響について検討した。浅層ネットワークは、回転法により得られる最高の2DスライスベースのAUC0.85で、ディープネットワークを上回った。
論文参考訳（メタデータ） (2020-06-01T14:31:38Z)

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。