論文の概要: PSO-XAI: A PSO-Enhanced Explainable AI Framework for Reliable Breast Cancer Detection

• arxiv url: http://arxiv.org/abs/2510.20611v1
• Date: Thu, 23 Oct 2025 14:42:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:18.138033
• Title: PSO-XAI: A PSO-Enhanced Explainable AI Framework for Reliable Breast Cancer Detection
• Title（参考訳）: PSO-XAI:信頼性の高い乳癌検出のためのPSO強化型説明可能なAIフレームワーク
• Authors: Mirza Raquib, Niloy Das, Farida Siddiqi Prity, Arafath Al Fahim, Saydul Akbar Murad, Mohammad Amzad Hossain, MD Jiabul Hoque, Mohammad Ali Moni,
• Abstract要約: 本研究では、機能選択のためのカスタマイズされたParticle Swarm Optimization (PSO)を組み込んだ統合フレームワークを提案する。 提案手法は、精度と精度を含む全てのパフォーマンス指標において99.1%の優れたスコアを得た。 結果は,Swarmインテリジェンスと説明可能なMLを組み合わせることで,堅牢で信頼性が高く,臨床的に有意義な乳癌診断の可能性を強調した。
• 参考スコア（独自算出の注目度）: 2.5631347250059577
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Breast cancer is considered the most critical and frequently diagnosed cancer in women worldwide, leading to an increase in cancer-related mortality. Early and accurate detection is crucial as it can help mitigate possible threats while improving survival rates. In terms of prediction, conventional diagnostic methods are often limited by variability, cost, and, most importantly, risk of misdiagnosis. To address these challenges, machine learning (ML) has emerged as a powerful tool for computer-aided diagnosis, with feature selection playing a vital role in improving model performance and interpretability. This research study proposes an integrated framework that incorporates customized Particle Swarm Optimization (PSO) for feature selection. This framework has been evaluated on a comprehensive set of 29 different models, spanning classical classifiers, ensemble techniques, neural networks, probabilistic algorithms, and instance-based algorithms. To ensure interpretability and clinical relevance, the study uses cross-validation in conjunction with explainable AI methods. Experimental evaluation showed that the proposed approach achieved a superior score of 99.1\% across all performance metrics, including accuracy and precision, while effectively reducing dimensionality and providing transparent, model-agnostic explanations. The results highlight the potential of combining swarm intelligence with explainable ML for robust, trustworthy, and clinically meaningful breast cancer diagnosis.
• Abstract（参考訳）: 乳がんは世界でも最も重篤で頻繁に診断されるがんであり、がん関連死亡率の増加につながっている。 早期かつ正確な検出は、生存率を改善しながら脅威を軽減できるため重要である。 予測の面では、従来の診断手法は、ばらつき、コスト、そして最も重要なのは誤診のリスクによって制限されることが多い。 これらの課題に対処するため、機械学習(ML)はコンピュータ支援診断の強力なツールとして登場し、機能選択はモデルの性能と解釈可能性を改善する上で重要な役割を担っている。 本研究では,PSO(Particle Swarm Optimization)を組み込んだ機能選択フレームワークを提案する。 このフレームワークは、古典的な分類器、アンサンブルテクニック、ニューラルネットワーク、確率的アルゴリズム、インスタンスベースのアルゴリズムなど、29の異なるモデルの包括的なセットで評価されている。 この研究は、解釈可能性と臨床的関連性を確保するために、説明可能なAI手法とともにクロスバリデーションを使用する。 実験により,提案手法は精度と精度を含む全ての性能指標において99.1\%の優れたスコアを達成し,次元性を効果的に低減し,透明でモデルに依存しない説明を提供することを示した。 その結果,Swarmインテリジェンスと説明可能なMLを組み合わせることで,堅牢で信頼性が高く,臨床的に有意義な乳癌診断が可能となった。

関連論文リスト

• An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
  結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。 本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。 本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
  論文  参考訳（メタデータ） (2025-10-21T17:18:55Z)
• KERAP: A Knowledge-Enhanced Reasoning Approach for Accurate Zero-shot Diagnosis Prediction Using Multi-agent LLMs [39.47350988195002]
  大きな言語モデル(LLM)は、診断予測に言語能力と生物医学的知識を活用することを約束している。 我々は,知識グラフ(KG)を用いた多エージェントアーキテクチャによるLLMに基づく診断予測を改善する推論手法であるKERAPを提案する。 本フレームワークは, マッピング用リンクエージェント, 構造化知識抽出用検索エージェント, 診断予測を反復的に洗練する予測エージェントから構成される。
  論文  参考訳（メタデータ） (2025-07-03T16:35:11Z)
• Adaptive Deep Learning for Multiclass Breast Cancer Classification via Misprediction Risk Analysis [0.8028869343053783]
  早期発見は患者の予後を改善するのに不可欠である。 コンピュータ支援診断アプローチは乳がんの検出を著しく向上させた。 しかし、これらの手法は多クラス分類の課題に直面し、しばしば誤予測を引き起こす。
  論文  参考訳（メタデータ） (2025-03-17T03:25:28Z)
• Two new feature selection methods based on learn-heuristic techniques for breast cancer prediction: A comprehensive analysis [6.796017024594715]
  帝国主義競争アルゴリズム(ICA)とバットアルゴリズム(BA)に基づく2つの新しい特徴選択法を提案する。 本研究は, 診断モデルの効率を向上し, 臨床医師がこれまでよりもはるかに正確かつ信頼性の高い意思決定を行えるよう包括的分析を行うことを目的とする。
  論文  参考訳（メタデータ） (2024-07-19T19:07:53Z)
• Breast Cancer Diagnosis: A Comprehensive Exploration of Explainable Artificial Intelligence (XAI) Techniques [37.9243470221619]
  乳がんの診断・診断における説明可能な人工知能(XAI)技術の適用について検討する。 複雑なAIモデルと実用的な医療アプリケーションの間のギャップを埋めることにおけるXAIの可能性を強調することを目的としている。
  論文  参考訳（メタデータ） (2024-06-01T18:50:03Z)
• 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)
• An Explainable Machine Learning Framework for the Accurate Diagnosis of Ovarian Cancer [0.0]
  卵巣癌(Ovarian cancer, OC)は、女性において最も多いがんの1つである。 女性の大多数は、効果的なバイオマーカーと正確なスクリーニングツールがないため、高度な段階で診断される。 本研究は閉経前および閉経後における異なるバイオマーカーを示唆する。
  論文  参考訳（メタデータ） (2023-12-11T16:52:50Z)
• Interpretability methods of machine learning algorithms with applications in breast cancer diagnosis [1.1470070927586016]
  我々は,グローバルサロゲート(GS)法,個人期待(ICE)プロット,条件シェープ値(SV)などの解釈可能性技術を用いた。 乳がん診断における最良の成績は,提案したERN(精度96.6%,ROC曲線0.96)により得られた。
  論文  参考訳（メタデータ） (2022-02-04T13:41:30Z)
• 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)

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。