Fugu-MT 論文翻訳(概要): WoundNet-Ensemble: A Novel IoMT System Integrating Self-Supervised Deep Learning and Multi-Model Fusion for Automated, High-Accuracy Wound Classification and Healing Progression Monitoring

論文の概要: WoundNet-Ensemble: A Novel IoMT System Integrating Self-Supervised Deep Learning and Multi-Model Fusion for Automated, High-Accuracy Wound Classification and Healing Progression Monitoring

arxiv url: http://arxiv.org/abs/2512.18528v1
Date: Sat, 20 Dec 2025 22:49:43 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-23 18:54:32.382142
Title: WoundNet-Ensemble: A Novel IoMT System Integrating Self-Supervised Deep Learning and Multi-Model Fusion for Automated, High-Accuracy Wound Classification and Healing Progression Monitoring
Title（参考訳）: WoundNet-Ensemble: 自己監督型深層学習とマルチモデル融合を統合した新しいIoMTシステム
Authors: Moses Kiprono,
Abstract要約: 本稿では,3つの補完的なディープラーニングアーキテクチャの新たなアンサンブルを活用した医療物のインターネットであるWoundNet-Ensembleを提案する。システムは5,175枚の創傷画像の包括的データセットで99.90%のアンサンブル精度を達成する。我々は、治癒率、重症度スコアを計算し、臨床診断を発生させる長手傷治癒トラッカーを実装した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Chronic wounds, including diabetic foot ulcers which affect up to one-third of people with diabetes, impose a substantial clinical and economic burden, with U.S. healthcare costs exceeding 25 billion dollars annually. Current wound assessment remains predominantly subjective, leading to inconsistent classification and delayed interventions. We present WoundNet-Ensemble, an Internet of Medical Things system leveraging a novel ensemble of three complementary deep learning architectures: ResNet-50, the self-supervised Vision Transformer DINOv2, and Swin Transformer, for automated classification of six clinically distinct wound types. Our system achieves 99.90 percent ensemble accuracy on a comprehensive dataset of 5,175 wound images spanning diabetic foot ulcers, pressure ulcers, venous ulcers, thermal burns, pilonidal sinus wounds, and fungating malignant tumors. The weighted fusion strategy demonstrates a 3.7 percent improvement over previous state-of-the-art methods. Furthermore, we implement a longitudinal wound healing tracker that computes healing rates, severity scores, and generates clinical alerts. This work demonstrates a robust, accurate, and clinically deployable tool for modernizing wound care through artificial intelligence, addressing critical needs in telemedicine and remote patient monitoring. The implementation and trained models will be made publicly available to support reproducibility.
Abstract（参考訳）: 糖尿病患者の最大3分の1に影響を及ぼす糖尿病性足の潰瘍を含む慢性的な傷は、臨床と経済的にかなりの負担を課し、米国の医療費は年間2500億ドルを超える。現在の創傷評価は、主に主観的であり、矛盾した分類と遅延した介入につながる。本稿では,3つの補完的な深層学習アーキテクチャ(ResNet-50,自監督型ビジョントランスフォーマーDINOv2,スウィントランスフォーマー)の新たなアンサンブルを利用した医療物のインターネットシステムであるWoundNet-Ensembleについて述べる。本システムでは, 糖尿病性足潰瘍, 圧力潰瘍, 静脈潰瘍, 熱傷, ピロニダル洞傷, および真菌性悪性腫瘍にまたがる5,175枚の包括的画像を用いて, 99.90%のアンサンブル精度を達成している。重み付き核融合戦略は、従来の最先端手法よりも3.7%改善したことを示している。さらに, 治癒率, 重症度を算出し, 臨床診断を行う長手傷治癒トラッカーを実装した。この研究は、遠隔医療および遠隔患者監視における重要なニーズに対処するため、人工知能による創傷ケアを近代化するための堅牢で正確で、臨床にデプロイ可能なツールを実証する。実装とトレーニングされたモデルは、再現性をサポートするために公開されます。

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)
Examining Deployment and Refinement of the VIOLA-AI Intracranial Hemorrhage Model Using an Interactive NeoMedSys Platform [0.7653237341032667]
現在の研究では、AIモデルの効率的なデプロイメントと改善を可能にする、NeoMedSysと呼ばれる放射線学ソフトウェアプラットフォームについて説明している。実地臨床環境でのNeoMedSysの実行可能性と有効性について検討した。
論文参考訳（メタデータ） (2025-05-14T13:33:38Z)
Hierarchical Self-Supervised Adversarial Training for Robust Vision Models in Histopathology [64.46054930696052]
敵対的攻撃は、医療のような重要な分野におけるビジョンモデルに重大な課題をもたらす。既存の自己監督型逆行訓練手法は、病理像の階層構造を見落としている。本稿では,これらの特性を活かした階層型自己監督適応訓練(HSAT)を提案する。
論文参考訳（メタデータ） (2025-03-13T17:59:47Z)
Development of Machine Learning Classifiers for Blood-based Diagnosis and Prognosis of Suspected Acute Infections and Sepsis [0.16159460691940983]
急性感染症・敗血症の迅速かつ正確な診断・予後の医学的ニーズに機械学習を適用した。我々のソリューションは、Mirna (TM) Instrument と組込み TriVerity (TM) 分類器からなる。マーナ・トリバーティ・システムはアメリカ合衆国食品医薬品局(FDA)によって画期的な装置に指定された。
論文参考訳（メタデータ） (2024-07-03T01:20:26Z)
Virchow: A Million-Slide Digital Pathology Foundation Model [34.38679208931425]
本稿では,コンピュータ病理学の基礎モデルであるVirchowを紹介する。 Virchowは、150万のヘマトキシリンとエオシン染色されたスライドイメージに基づいて、632万のパラメータをトレーニングしたビジョントランスフォーマーモデルである。
論文参考訳（メタデータ） (2023-09-14T15:09:35Z)
Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文参考訳（メタデータ） (2023-07-10T09:49:30Z)
LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文参考訳（メタデータ） (2023-06-20T22:21:34Z)
Towards Automated COVID-19 Presence and Severity Classification [2.3890320616869425]
提示されたアプローチは、これらの状況において医療専門家を支援するための最先端技術に従う。提示されたモデルは、新型コロナウイルスの重症度を予測するために79.0%のAUCを、感染の有無を分類するために83.7%のAUCを達成している。
論文参考訳（メタデータ） (2023-05-15T14:07:22Z)
Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文参考訳（メタデータ） (2022-05-19T17:34:18Z)
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)
Diabetic Foot Ulcer Grand Challenge 2021: Evaluation and Summary [6.282069822653609]
本稿では, 糖尿病性足の潰瘍問題2021で用いられる方法の評価を行い, 各ネットワークから得られた結果を要約する。最高性能のネットワークは上位3モデルの結果のアンサンブルであり、マクロ平均F1スコアは0.6307である。
論文参考訳（メタデータ） (2021-11-19T15:18:53Z)
A Machine Learning Early Warning System: Multicenter Validation in Brazilian Hospitals [4.659599449441919]
臨床劣化の早期認識は、入院患者の死亡率と死亡率を減らすための主要なステップの1つである。 Intensive Care Unit, ICUと比較して, 病院病棟は注目度が低いため, プラットフォームがERHのストリームに接続されている場合, 危険な状況に対する意識が大幅に改善する可能性が示唆された。機械学習の適用により、システムは患者のすべての履歴を考慮し、高いパフォーマンスの予測モデルを使用することで、インテリジェントな早期警告システムを実現することができる。
論文参考訳（メタデータ） (2020-06-09T21:21:38Z)

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。