論文の概要: A Hybrid Deep Learning Framework with Explainable AI for Lung Cancer Classification with DenseNet169 and SVM

• arxiv url: http://arxiv.org/abs/2512.03359v1
• Date: Wed, 03 Dec 2025 01:48:56 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 12:01:37.971479
• Title: A Hybrid Deep Learning Framework with Explainable AI for Lung Cancer Classification with DenseNet169 and SVM
• Title（参考訳）: DenseNet169とSVMを用いた肺がん分類のための説明可能なAIを用いたハイブリッドディープラーニングフレームワーク
• Authors: Md Rashidul Islam, Bakary Gibba, Altagi Abdallah Bakheit Abdelgadir,
• Abstract要約: 本研究では, 深層学習に基づく肺がん自動分類システムを提案する。 DenseNet169とSVMモデルは98%の精度を達成した。
• 参考スコア（独自算出の注目度）: 0.5416422382471174
• License:
• Abstract: Lung cancer is a very deadly disease worldwide, and its early diagnosis is crucial for increasing patient survival rates. Computed tomography (CT) scans are widely used for lung cancer diagnosis as they can give detailed lung structures. However, manual interpretation is time-consuming and prone to human error. To surmount this challenge, the study proposes a deep learning-based automatic lung cancer classification system to enhance detection accuracy and interpretability. The IQOTHNCCD lung cancer dataset is utilized, which is a public CT scan dataset consisting of cases categorized into Normal, Benign, and Malignant and used DenseNet169, which includes Squeezeand-Excitation blocks for attention-based feature extraction, Focal Loss for handling class imbalance, and a Feature Pyramid Network (FPN) for multi-scale feature fusion. In addition, an SVM model was developed using MobileNetV2 for feature extraction, improving its classification performance. For model interpretability enhancement, the study integrated Grad-CAM for the visualization of decision-making regions in CT scans and SHAP (Shapley Additive Explanations) for explanation of feature contributions within the SVM model. Intensive evaluation was performed, and it was found that both DenseNet169 and SVM models achieved 98% accuracy, suggesting their robustness for real-world medical practice. These results open up the potential for deep learning to improve the diagnosis of lung cancer by a higher level of accuracy, transparency, and robustness.
• Abstract（参考訳）: 肺がんは世界中で非常に致命的な病気であり、早期診断は患者の生存率を高めるために不可欠である。 CTスキャンは肺癌の診断に広く用いられている。 しかし、手動による解釈は時間がかかり、ヒューマンエラーを起こしやすい。 この課題を克服するために,深層学習に基づく自動肺がん分類システムを提案し,検出精度と解釈可能性を高める。 IQOTHNCCD肺がんデータセットは、注意に基づく特徴抽出のためのSqueezeand-Excitationブロック、クラス不均衡を処理するFocal Loss、マルチスケール特徴融合のためのFeature Pyramid Network(FPN)を含むDenseNet169の正常、良性、悪性に分類されるケースからなるパブリックCTスキャンデータセットである。 さらに,機能抽出のためにMobileNetV2を用いてSVMモデルを開発した。 モデル解釈可能性向上のために、CTスキャンにおける決定領域の可視化のためのGrad-CAMと、SVMモデルにおける特徴の寄与を説明するためのSHAP(Shapley Additive Explanations)を統合した。 その結果,DenseNet169モデルとSVMモデルの両方が98%の精度を達成し,実世界の医療実践における堅牢性が示唆された。 これらの結果は、より高い精度、透明性、堅牢性によって、深層学習が肺がんの診断を改善する可能性を開く。

関連論文リスト

• Explainable AI Technique in Lung Cancer Detection Using Convolutional Neural Networks [0.0]
  胸部CT画像から肺がん自動検診を行うための枠組みについて述べる。 IQ-OTH/NCCDデータセット(正常クラス、良性クラス、悪性クラスを1,197スキャン)を用いて、カスタム畳み込みニューラルネットワーク(CNN)と、DenseNet121、ResNet152、VGG19の3つの微調整されたトランスファーラーニングバックボーンを評価する。
  論文  参考訳（メタデータ） (2025-08-13T21:02:38Z)
• LMLCC-Net: A Semi-Supervised Deep Learning Model for Lung Nodule Malignancy Prediction from CT Scans using a Novel Hounsfield Unit-Based Intensity Filtering [1.2974519529978974]
  3次元CNNを用いたCTスキャン画像から結節を分類する新しいディープラーニングフレームワーク LMLCC-Net を提案する。 提案手法は91.96%の分類精度(ACC)、92.04%の感度(SEN)、91.87%の曲線下面積(AUC)を実現する。
  論文  参考訳（メタデータ） (2025-05-09T18:25:59Z)
• Hybrid CNN with Chebyshev Polynomial Expansion for Medical Image Analysis [0.0]
  肺がんは、世界中でがん関連死亡の原因の1つとなっている。 従来の畳み込みニューラルネットワーク(CNN)は、医療画像解析においてかなりの可能性を秘めている。 本研究では,Chebyshev-CNNを組み込んだハイブリッドディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-04-09T12:02:56Z)
• Advanced Lung Nodule Segmentation and Classification for Early Detection of Lung Cancer using SAM and Transfer Learning [0.0]
  本研究は,Segment Anything Model(SAM)と転写学習技術を組み合わせた肺結節セグメンテーションの革新的アプローチを提案する。 提案手法はバウンディングボックスプロンプトとビジョントランスフォーマーモデルを利用してセグメンテーション性能を向上し,高精度なDice similarity Coefficient (DSC) とIntersection over Union (IoU) のメトリクスを実現する。 以上の結果から,CT検査から肺結節を正確に抽出するモデルの有効性が示唆され,早期発見の進展と肺癌診断における患者のケア結果の改善が示唆された。
  論文  参考訳（メタデータ） (2024-12-31T18:21:57Z)
• Variational Autoencoders for Feature Exploration and Malignancy Prediction of Lung Lesions [0.0]
  肺がんはイギリスで21%のがん死の原因となっている。 最近の研究は、定期的なスキャンから肺がんの正確な早期診断のためのAI手法の能力を実証している。 本研究では, 変異型オートエンコーダ(VAE)の肺癌病変に対する応用について検討した。
  論文  参考訳（メタデータ） (2023-11-27T11:12:33Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent Multi-View Representation Learning [48.05232274463484]
  最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。 多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。 本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
  論文  参考訳（メタデータ） (2020-05-06T15:19:15Z)
• 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。