論文の概要: Tackling Tuberculosis: A Comparative Dive into Machine Learning for Tuberculosis Detection

• arxiv url: http://arxiv.org/abs/2512.02364v1
• Date: Tue, 02 Dec 2025 03:15:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.700516
• Title: Tackling Tuberculosis: A Comparative Dive into Machine Learning for Tuberculosis Detection
• Title（参考訳）: 結核対策 : 結核検出のための機械学習の比較研究
• Authors: Daanish Hindustani, Sanober Hindustani, Preston Nguyen,
• Abstract要約: この研究は、4,200個の胸部X線からなるKaggleのデータセットを利用した。 SqueezeNetは32%の損失、89%の精度、98%の精度、80%のリコール、87%のF1スコアを達成した。 ResNet-50モデルは54%の損失、73%の精度、88%の精度、52%のリコール、65%のF1スコアを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study explores the application of machine learning models, specifically a pretrained ResNet-50 model and a general SqueezeNet model, in diagnosing tuberculosis (TB) using chest X-ray images. TB, a persistent infectious disease affecting humanity for millennia, poses challenges in diagnosis, especially in resource-limited settings. Traditional methods, such as sputum smear microscopy and culture, are inefficient, prompting the exploration of advanced technologies like deep learning and computer vision. The study utilized a dataset from Kaggle, consisting of 4,200 chest X-rays, to develop and compare the performance of the two machine learning models. Preprocessing involved data splitting, augmentation, and resizing to enhance training efficiency. Evaluation metrics, including accuracy, precision, recall, and confusion matrix, were employed to assess model performance. Results showcase that the SqueezeNet achieved a loss of 32%, accuracy of 89%, precision of 98%, recall of 80%, and an F1 score of 87%. In contrast, the ResNet-50 model exhibited a loss of 54%, accuracy of 73%, precision of 88%, recall of 52%, and an F1 score of 65%. This study emphasizes the potential of machine learning in TB detection and possible implications for early identification and treatment initiation. The possibility of integrating such models into mobile devices expands their utility in areas lacking TB detection resources. However, despite promising results, the need for continued development of faster, smaller, and more accurate TB detection models remains crucial in contributing to the global efforts in combating TB.
• Abstract（参考訳）: 本研究では,胸部X線画像を用いた結核(TB)の診断における機械学習モデル,特に事前訓練されたResNet-50モデルと一般的なSqueezeNetモデルの適用について検討する。 TBは、数千年にわたって人類に影響を及ぼす持続的な伝染病であり、特に資源に制限された環境では診断に困難を呈する。 スプタム・スミア・顕微鏡やカルチャーといった従来の手法は非効率であり、ディープラーニングやコンピュータビジョンのような先進的な技術を探究するきっかけとなる。 この研究は、4,200個の胸部X線からなるKaggleのデータセットを使用して、2つの機械学習モデルの性能を開発し比較した。 事前処理には、トレーニング効率を高めるために、データの分割、拡張、リサイズが含まれていた。 モデル性能を評価するために,精度,精度,リコール,混乱行列などの評価指標を用いた。 その結果、SqueezeNetは32%の損失、89%の精度、98%の精度、80%のリコール、87%のF1スコアを達成した。 対照的にResNet-50モデルは54%の損失、73%の精度、88%の精度、52%のリコール、65%のF1スコアを示した。 本研究は,TB検出における機械学習の可能性と早期発見と治療開始の可能性を強調した。 このようなモデルをモバイルデバイスに統合することは、TB検出リソースが不足している領域において、その実用性を拡大する。 しかし、有望な結果にもかかわらず、より速く、より小さく、より正確なTB検出モデルの継続的な開発の必要性は、TBと戦うグローバルな取り組みに寄与する上で重要である。

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)
• Classifier Enhanced Deep Learning Model for Erythroblast Differentiation with Limited Data [0.08388591755871733]
  病態と遺伝疾患の1%を含む血液疾患は、重大な診断上の課題を呈している。 本手法では,機械学習モデルの有効性を考慮した各種機械学習設定の評価を行う。 データが利用可能になった場合、提案されたソリューションは、小さくてユニークなデータセットの精度を高めるためのソリューションである。
  論文  参考訳（メタデータ） (2024-11-23T15:51:15Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Evaluating Deep Learning Models for Breast Cancer Classification: A Comparative Study [9.392940888377423]
  Vision Transformer (ViT) モデルは、その注意に基づくメカニズムにより、94%の検証精度を達成した。 本研究は, 臨床現場における乳癌診断の精度と効率を高めるため, 高度な機械学習手法の可能性を示すものである。
  論文  参考訳（メタデータ） (2024-08-29T18:49:32Z)
• Osteosarcoma Tumor Detection using Transfer Learning Models [0.0]
  本稿では,骨肉腫腫瘍検出のための転写学習モデルの性能について検討する。 InceptionResNetV2 は最高精度 (93.29%)、NasNetLarge (90.91%)、ResNet50 (89.83%)、EfficientNetB7 (62.77%) を達成した。
  論文  参考訳（メタデータ） (2023-05-16T17:58:29Z)
• 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。