論文の概要: Transfer Learning from One Cancer to Another via Deep Learning Domain Adaptation

• arxiv url: http://arxiv.org/abs/2601.14678v1
• Date: Wed, 21 Jan 2026 05:50:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.247762
• Title: Transfer Learning from One Cancer to Another via Deep Learning Domain Adaptation
• Title（参考訳）: 深層学習領域適応によるがんから別のがんへの転移学習
• Authors: Justin Cheung, Samuel Savine, Calvin Nguyen, Lin Lu, Alhassan S. Yasin,
• Abstract要約: 本研究は, 肺, 結腸, 乳腺, 腎臓腺癌におけるクロスドメイン分類性能を評価する。 単一の腺癌で訓練されたResNet50は、自身のドメインで98%以上の精度を達成するが、他のドメインには最小限の一般化を示す。 対照的に、ResNet50をドメイン逆ニューラルネットワーク(DANN)に変換することで、ラベルなしのターゲットドメインの性能が大幅に向上する。
• 参考スコア（独自算出の注目度）: 2.7001982817730616
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Supervised deep learning models often achieve excellent performance within their training distribution but struggle to generalize beyond it. In cancer histopathology, for example, a convolutional neural network (CNN) may classify cancer severity accurately for cancer types represented in its training data, yet fail on related but unseen types. Although adenocarcinomas from different organs share morphological features that might support limited cross-domain generalization, addressing domain shift directly is necessary for robust performance. Domain adaptation offers a way to transfer knowledge from labeled data in one cancer type to unlabeled data in another, helping mitigate the scarcity of annotated medical images. This work evaluates cross-domain classification performance among lung, colon, breast, and kidney adenocarcinomas. A ResNet50 trained on any single adenocarcinoma achieves over 98% accuracy on its own domain but shows minimal generalization to others. Ensembling multiple supervised models does not resolve this limitation. In contrast, converting the ResNet50 into a domain adversarial neural network (DANN) substantially improves performance on unlabeled target domains. A DANN trained on labeled breast and colon data and adapted to unlabeled lung data reaches 95.56% accuracy. We also examine the impact of stain normalization on domain adaptation. Its effects vary by target domain: for lung, accuracy drops from 95.56% to 66.60%, while for breast and colon targets, stain normalization boosts accuracy from 49.22% to 81.29% and from 78.48% to 83.36%, respectively. Finally, using Integrated Gradients reveals that DANNs consistently attribute importance to biologically meaningful regions such as densely packed nuclei, indicating that the model learns clinically relevant features and can apply them to unlabeled cancer types.
• Abstract（参考訳）: 教師付きディープラーニングモデルは、トレーニングディストリビューション内で優れたパフォーマンスを達成することが多いが、それ以上の一般化に苦慮している。 例えば、がん病理学では、畳み込みニューラルネットワーク(CNN)は、そのトレーニングデータで表されるがんの種類に対して、がんの重症度を正確に分類するが、関連性はあるものの、見当たらないタイプでは失敗する。 異なる臓器の腺癌は, クロスドメインの一般化を限定する形態的特徴を共有できるが, 強靭なパフォーマンスには, ドメインシフトに直接対処する必要がある。 ドメイン適応は、あるがんタイプのラベル付きデータから別のがん型のラベルなしデータへ知識を伝達する方法を提供し、注釈付き医療画像の不足を軽減する。 本研究は, 肺, 結腸, 乳腺, 腎臓腺癌におけるクロスドメイン分類性能を評価する。 単一の腺癌で訓練されたResNet50は、自身のドメインで98%以上の精度を達成するが、他のドメインには最小限の一般化を示す。 複数の教師付きモデルの組み立ては、この制限を解決しない。 対照的に、ResNet50をドメイン逆ニューラルネットワーク(DANN)に変換することで、ラベルなしのターゲットドメインの性能が大幅に向上する。 DANNは乳房と大腸のデータに基づいて訓練され、ラベルなしの肺のデータに適応する精度は95.56%に達する。 また,染色の正規化がドメイン適応に及ぼす影響についても検討した。 肺の場合、精度は95.56%から66.60%に低下し、乳房では49.22%、大腸では81.29%、78.48%から83.36%に低下する。 最後に、統合グラディエント(Integrated Gradients)を用いることで、DANNは、高密度に充填された核のような生物学的に有意な領域において、常に重要な役割を担っていることが明らかとなり、このモデルが臨床的に関連性のある特徴を学習し、ラベルのないがんタイプに適用できることが示唆された。

関連論文リスト

• 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)
• 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)
• Unsupervised Domain Adaptation for Pediatric Brain Tumor Segmentation [0.43293851295515745]
  成人グリオーマから小児グリオーマへの非教師なし領域適応を行うためのドメイン適応nnU-Net(DA-nnUNet)を提案する。
  論文  参考訳（メタデータ） (2024-06-24T17:55:02Z)
• Diagnosis of Skin Cancer Using VGG16 and VGG19 Based Transfer Learning Models [0.6827423171182154]
  ディープ畳み込みニューラルネットワーク(CNN)は、データと画像の分類に優れた可能性を示している。 本稿では,CNNを用いた皮膚病変分類問題について検討する。 本研究では, 転写学習の枠組みを適切に設計し, 適用することにより, 病変検出の顕著な分類精度を得ることができることを示す。
  論文  参考訳（メタデータ） (2024-04-01T15:06:20Z)
• Unsupervised Cross-domain Pulmonary Nodule Detection without Source Data [36.61757663123084]
  クロスドメイン肺結節検出は、ソースとターゲットドメイン間のデータ分布の大きなシフトにより、性能劣化に悩まされる。 本稿では,肺結節検出のためのソースフリーなUntuningクロスドメイン手法であるインスタンスレベルコントラストインストラクションファインメンテーションフレームワーク(ICI)を提案する。 肺結節検出のために,トレーニング済みのソースモデルを3つの一般的なデータセットに適応させることで,ベンチマークを確立する。
  論文  参考訳（メタデータ） (2023-04-03T15:42:27Z)
• 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)
• BCNet: A Deep Convolutional Neural Network for Breast Cancer Grading [0.0]
  近年、深層学習は科学の様々な分野、特に医学で広く採用されている。 乳がん検出問題では、異なるデータセット上で様々なディープラーニング技術が開発され、精度が向上した。
  論文  参考訳（メタデータ） (2021-07-11T12:55:33Z)
• Deep Learning for Breast Cancer Classification: Enhanced Tangent Function [27.761266391596262]
  近年,畳み込みニューラルネットワークを用いた深層学習は,乳房細胞の画像の正確な分類に成功している。 Patch-based Adaptive Deepal Neural Network (DCNN) を用いて乳癌の分類精度を高めることを目的とした。 提案手法は, 画像コントラストを向上し, 消失勾配を減少させることにより, がんの精度を高めることに焦点を当てた。
  論文  参考訳（メタデータ） (2021-07-01T08:36:27Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。