論文の概要: A Lightweight, Interpretable Deep Learning System for Automated Detection of Cervical Adenocarcinoma In Situ (AIS)

• arxiv url: http://arxiv.org/abs/2511.18063v1
• Date: Sat, 22 Nov 2025 13:48:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.610125
• Title: A Lightweight, Interpretable Deep Learning System for Automated Detection of Cervical Adenocarcinoma In Situ (AIS)
• Title（参考訳）: 頚部腺癌(AIS)自動診断のための軽量・解釈可能な深層学習システム
• Authors: Gabriela Fernandes,
• Abstract要約: AISと正常頸部腺組織との鑑別が可能な深層学習型仮想病理支援システムを開発した。 モデル全体の精度は0.7323で、F1スコアはAbnormalクラスが0.75、Normalクラスが0.71である。 これらの知見は, 頚腺病理における軽快な形態, 解釈可能なAIシステムの実現可能性を示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cervical adenocarcinoma in situ (AIS) is a critical premalignant lesion whose accurate histopathological diagnosis is challenging. Early detection is essential to prevent progression to invasive cervical adenocarcinoma. In this study, we developed a deep learning-based virtual pathology assistant capable of distinguishing AIS from normal cervical gland histology using the CAISHI dataset, which contains 2240 expert-labeled H&E images (1010 normal and 1230 AIS). All images underwent Macenko stain normalization and patch-based preprocessing to enhance morphological feature representation. An EfficientNet-B3 convolutional neural network was trained using class-balanced sampling and focal loss to address dataset imbalance and emphasize difficult examples. The final model achieved an overall accuracy of 0.7323, with an F1-score of 0.75 for the Abnormal class and 0.71 for the Normal class. Grad-CAM heatmaps demonstrated biologically interpretable activation patterns, highlighting nuclear atypia and glandular crowding consistent with AIS morphology. The trained model was deployed in a Gradio-based virtual diagnostic assistant. These findings demonstrate the feasibility of lightweight, interpretable AI systems for cervical gland pathology, with potential applications in screening workflows, education, and low-resource settings.
• Abstract（参考訳）: 頸部腺癌 (AIS) は悪性腫瘍であり, 正確な病理組織学的診断は困難である。 早期発見は浸潤性頸部腺癌の進展を予防するために必要である。 本研究では,AISと正常頸部腺組織との鑑別が可能な深層学習型仮想病理診断支援システム(CAishi データセット)を開発し,2240個の専門家ラベル付きH&E画像(1010例,AIS1230例)を収録した。 全ての画像は、形態的特徴表現を高めるためにマッケンコ染色の正規化とパッチベースの前処理を行った。 EfficientNet-B3畳み込みニューラルネットワークは、データセットの不均衡に対処し、困難な例を強調するために、クラスバランスサンプリングと焦点損失を使用して訓練された。 最終モデルは0.7323で、F1スコアは異常クラスが0.75、ノーマルクラスが0.71であった。 Grad-CAM熱マップは生物的に解釈可能な活性化パターンを示し、AIS形態と一致した核熱狂と腺群集を強調した。 トレーニングされたモデルは、Gradioベースの仮想診断アシスタントにデプロイされた。 これらの知見は, 頚腺病理診断における軽量で解釈可能なAIシステムの実現可能性を示し, スクリーニングワークフロー, 教育, 低リソース環境への応用の可能性を示している。

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)
• Deep Learning with Self-Attention and Enhanced Preprocessing for Precise Diagnosis of Acute Lymphoblastic Leukemia from Bone Marrow Smears in Hemato-Oncology [0.0]
  急性リンパ性白血病(ALL)は、小児と成人の双方で血液学的悪性腫瘍として広くみられる。 骨髄スミア画像からのall自動診断のためのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-24T05:30:02Z)
• Fast-staged CNN Model for Accurate pulmonary diseases and Lung cancer detection [0.0]
  本研究は, 肺がん, 特に肺結節の検出を目的とした深層学習モデルと, 胸部X線写真を用いた8つの肺病理組織について検討した。 アンサンブル法とトランスファーラーニングを利用した2段階分類システムを用いて,最初のトリアージ画像を正規あるいは異常に分類する。 このモデルでは、最高の性能の精度は77%、感度は0.713、特異度は0.776、AUCスコアは0.888である。
  論文  参考訳（メタデータ） (2024-12-16T11:47:07Z)
• A study on deep feature extraction to detect and classify Acute Lymphoblastic Leukemia (ALL) [0.0]
  急性リンパ芽球性白血病(ALL)は、主に成人と小児に影響を及ぼす血液悪性腫瘍である。 本研究では、深い学習、特に畳み込みニューラルネットワーク(CNN)を用いて、ALLの検出と分類を行う。 87%の精度で、ResNet101モデルは最高の結果をもたらし、その後にDenseNet121とVGG19が続いた。
  論文  参考訳（メタデータ） (2024-09-10T17:53:29Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• Lesion detection in contrast enhanced spectral mammography [0.0]
  近年の乳房画像解析のためのニューラルネットワークモデルの出現は、コンピュータ支援診断における画期的な進歩である。 本研究は,CESMリコンビネート画像に対する深層学習に基づくコンピュータ支援診断開発を提案し,病変の検出と症例の分類を行う。
  論文  参考訳（メタデータ） (2022-07-20T06:49:02Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。 緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。 ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)
• A Deep Learning Study on Osteosarcoma Detection from Histological Images [6.341765152919201]
  最も一般的な悪性骨腫瘍は骨肉腫である。 CNNは、外科医の作業量を著しく減らし、患者の状態の予後を良くする。 CNNは、より信頼できるパフォーマンスを達成するために、大量のデータをトレーニングする必要があります。
  論文  参考訳（メタデータ） (2020-11-02T18:16:17Z)
• Spatio-spectral deep learning methods for in-vivo hyperspectral laryngeal cancer detection [49.32653090178743]
  頭頸部腫瘍の早期発見は患者の生存に不可欠である。 ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。 HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
  論文  参考訳（メタデータ） (2020-04-21T17:07:18Z)

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。