Fugu-MT 論文翻訳(概要): From Retinal Pixels to Patients: Evolution of Deep Learning Research in Diabetic Retinopathy Screening

論文の概要: From Retinal Pixels to Patients: Evolution of Deep Learning Research in Diabetic Retinopathy Screening

arxiv url: http://arxiv.org/abs/2511.11065v1
Date: Fri, 14 Nov 2025 08:31:42 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-17 22:42:18.500132
Title: From Retinal Pixels to Patients: Evolution of Deep Learning Research in Diabetic Retinopathy Screening
Title（参考訳）: 網膜から患者へ:糖尿病網膜症スクリーニングにおける深層学習研究の進化
Authors: Muskaan Chopra, Lorenz Sparrenberg, Armin Berger, Sarthak Khanna, Jan H. Terheyden, Rafet Sifa,
Abstract要約: 糖尿病網膜症(DR)は予防可能な失明の主要な原因であり、早期発見は世界中で視力喪失を減少させるのに重要である。ディープラーニングはDRスクリーニングを転換し、プライベートデータセットでトレーニングされた初期の畳み込みニューラルネットワークから、クラスの不均衡、ラベルの不足、ドメインシフト、解釈可能性に対処する高度なパイプラインへと進化した。このサーベイは、2016-2025年のDR研究を初めて体系的に合成し、50以上の研究と20以上のデータセットから結果を統合した。
参考スコア（独自算出の注目度）: 1.168969799111176
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Diabetic Retinopathy (DR) remains a leading cause of preventable blindness, with early detection critical for reducing vision loss worldwide. Over the past decade, deep learning has transformed DR screening, progressing from early convolutional neural networks trained on private datasets to advanced pipelines addressing class imbalance, label scarcity, domain shift, and interpretability. This survey provides the first systematic synthesis of DR research spanning 2016-2025, consolidating results from 50+ studies and over 20 datasets. We critically examine methodological advances, including self- and semi-supervised learning, domain generalization, federated training, and hybrid neuro-symbolic models, alongside evaluation protocols, reporting standards, and reproducibility challenges. Benchmark tables contextualize performance across datasets, while discussion highlights open gaps in multi-center validation and clinical trust. By linking technical progress with translational barriers, this work outlines a practical agenda for reproducible, privacy-preserving, and clinically deployable DR AI. Beyond DR, many of the surveyed innovations extend broadly to medical imaging at scale.
Abstract（参考訳）: 糖尿病網膜症(DR)は予防可能な失明の主因であり、早期発見は世界中で視力喪失を減少させるのに重要である。過去10年間で、ディープラーニングはDRスクリーニングを転換し、プライベートデータセットでトレーニングされた初期の畳み込みニューラルネットワークから、クラスの不均衡、ラベルの不足、ドメインシフト、解釈可能性に対処する高度なパイプラインへと進化した。このサーベイは、2016-2025年のDR研究を初めて体系的に合成し、50以上の研究と20以上のデータセットから結果を統合した。本稿では,自己指導型・半教師型学習,ドメイン一般化,フェデレーショントレーニング,ハイブリッドニューロシンボリックモデル,評価プロトコル,報告基準,再現性課題など,方法論の進歩を批判的に検討する。ベンチマークテーブルはデータセット間でのパフォーマンスをコンテキスト化しますが、議論ではマルチセンタ検証と臨床信頼のギャップが浮かび上がっています。この研究は、技術的進歩と翻訳障壁を結びつけることによって、再現性、プライバシー保護、臨床的にデプロイ可能なDR AIの実践的な課題を概説する。 DR以外にも、調査対象となったイノベーションの多くは、大規模に医療画像に拡張されている。

関連論文リスト

Design and Validation of a Responsible Artificial Intelligence-based System for the Referral of Diabetic Retinopathy Patients [65.57160385098935]
糖尿病網膜症の早期発見は、視力喪失のリスクを最大95%減少させる可能性がある。我々は、AIライフサイクル全体にわたる倫理的原則を取り入れた、DRスクリーニングのための責任あるAIシステムであるRAIS-DRを開発した。当科におけるRAIS-DRをFDA認可のEyeArtシステムと比較した。
論文参考訳（メタデータ） (2025-08-17T21:54:11Z)
Medical Reasoning in the Era of LLMs: A Systematic Review of Enhancement Techniques and Applications [59.721265428780946]
医学における大きな言語モデル(LLM)は印象的な能力を実現しているが、体系的で透明で検証可能な推論を行う能力に重大なギャップが残っている。本稿は、この新興分野に関する最初の体系的なレビューを提供する。本稿では,学習時間戦略とテスト時間メカニズムに分類した推論強化手法の分類法を提案する。
論文参考訳（メタデータ） (2025-08-01T14:41:31Z)
Parameterized Diffusion Optimization enabled Autoregressive Ordinal Regression for Diabetic Retinopathy Grading [53.11883409422728]
本研究は, AOR-DRと呼ばれる新しい自己回帰的順序回帰法を提案する。我々は,糖尿病網膜症分類タスクを,前ステップの予測と抽出画像の特徴を融合させることにより,一連の順序段階に分解する。拡散過程を利用して条件付き確率モデリングを行い、連続的グローバルな画像特徴を自己回帰に利用できるようにする。
論文参考訳（メタデータ） (2025-07-07T13:22:35Z)
Grading and Anomaly Detection for Automated Retinal Image Analysis using Deep Learning [0.5999777817331317]
本研究はPRISMA分析を用いた系統的な文献レビューを行い,62項目について検討した。 DR病変の検出に使用される多種多様なディープラーニング技術について論じる。
論文参考訳（メタデータ） (2024-09-25T08:13:39Z)
Detection and Classification of Diabetic Retinopathy using Deep Learning Algorithms for Segmentation to Facilitate Referral Recommendation for Test and Treatment Prediction [0.0]
本研究は糖尿病網膜症(DR)の臨床的課題について考察する。提案手法は、畳み込みニューラルネットワーク(CNN)を用いたトランスファーラーニングを利用して、単一の基礎写真を用いた自動DR検出を行う。 Jaccard、F1、リコール、精度、精度の高評価スコアは、網膜病理評価における診断能力を高めるモデルの可能性を示している。
論文参考訳（メタデータ） (2024-01-05T11:19:24Z)
Generalizing to Unseen Domains in Diabetic Retinopathy Classification [8.59772105902647]
糖尿病網膜症分類における分布や領域の特定にモデルを一般化する問題について検討した。本稿では、視覚変換器の自己蒸留を実現するための、シンプルで効果的な領域一般化(DG)手法を提案する。本稿では,オープンソースのDR分類データセット上での最先端DG手法の性能について報告する。
論文参考訳（メタデータ） (2023-10-26T09:11:55Z)
Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
論文参考訳（メタデータ） (2023-07-30T16:08:45Z)
DRAC: Diabetic Retinopathy Analysis Challenge with Ultra-Wide Optical Coherence Tomography Angiography Images [51.27125547308154]
第25回医用画像コンピューティング・コンピュータ支援介入国際会議(MICCAI 2022)にともなうDRAC糖尿病網膜症解析チャレンジの企画を行った。この課題は、DR病変の分節化、画像品質評価、DRグレーディングの3つのタスクから構成される。本稿では,課題の各課題について,トップパフォーマンスのソリューションと結果の要約と分析を行う。
論文参考訳（メタデータ） (2023-04-05T12:04:55Z)
Bag of Tricks for Developing Diabetic Retinopathy Analysis Framework to Overcome Data Scarcity [6.802798389355481]
糖尿病網膜症 (DR) 解析課題として, 病変分割, 画像品質評価, DRグレーディングについて検討した。各タスクに対して,アンサンブル学習,データ強化,半教師付き学習を活用した堅牢な学習手法を導入する。疑似ラベルの負の効果を低減するため,モデルの信頼度スコアに基づいて不確実な擬似ラベルを除外する信頼性の高い擬似ラベルを提案する。
論文参考訳（メタデータ） (2022-10-18T03:25:00Z)
Conversion and Implementation of State-of-the-Art Deep Learning Algorithms for the Classification of Diabetic Retinopathy [0.0]
Inception-V3, VGG19, VGG16, ResNet50, InceptionResNetV2を実験により評価した。彼らは、DR重度に基づいて、医療画像を5つの異なるクラスに分類する。実験の結果、ResNet50はバイナリ分類の最高性能を示している。
論文参考訳（メタデータ） (2020-10-07T20:42:14Z)
A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading, and Transferability [76.64661091980531]
糖尿病患者は糖尿病網膜症(DR)を発症するリスクがあるコンピュータ支援型DR診断は、DRの早期検出と重度評価のための有望なツールである。このデータセットは、ピクセルレベルのDR関連病変アノテーションを持つ1,842枚の画像と、6人の眼科医によって評価された画像レベルのラベルを持つ1,000枚の画像を有する。
論文参考訳（メタデータ） (2020-08-22T07:48:04Z)

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。