論文の概要: Automated Detection of Malignant Lesions in the Ovary Using Deep Learning Models and XAI

• arxiv url: http://arxiv.org/abs/2603.11818v1
• Date: Thu, 12 Mar 2026 11:26:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:26.046872
• Title: Automated Detection of Malignant Lesions in the Ovary Using Deep Learning Models and XAI
• Title（参考訳）: 深層学習モデルとXAIを用いた卵巣悪性病変の自動検出
• Authors: Md. Hasin Sarwar Ifty, Nisharga Nirjan, Labib Islam, M. A. Diganta, Reeyad Ahmed Ornate, Anika Tasnim, Md. Saiful Islam,
• Abstract要約: 本研究では,LeNet-5,ResNet,VGGNet,GoogLeNet/Inceptionなどの畳み込みニューラルネットワークを用いて15種類の変種を開発した。 効果的なモデルトレーニングには、MendleyのデータセットであるOvarianCancer&SubtypesDatasetHistopathologyが使用されている。 モデルの性能評価には、精度、精度、リコール、F1スコア、ROC曲線、AUCが使われている。
• 参考スコア（独自算出の注目度）: 0.9220324579688105
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The unrestrained proliferation of cells that are malignant in nature is cancer. In recent times, medical professionals are constantly acquiring enhanced diagnostic and treatment abilities by implementing deep learning models to analyze medical data for better clinical decision, disease diagnosis and drug discovery. A majority of cancers are studied and treated by incorporating these technologies. However, ovarian cancer remains a dilemma as it has inaccurate non-invasive detection procedures and a time consuming, invasive procedure for accurate detection. Thus, in this research, several Convolutional Neural Networks such as LeNet-5, ResNet, VGGNet and GoogLeNet/Inception have been utilized to develop 15 variants and choose a model that accurately detects and identifies ovarian cancer. For effective model training, the dataset OvarianCancer&SubtypesDatasetHistopathology from Mendeley has been used. After constructing a model, we utilized Explainable Artificial Intelligence (XAI) models such as LIME, Integrated Gradients and SHAP to explain the black box outcome of the selected model. For evaluating the performance of the model, Accuracy, Precision, Recall, F1-Score, ROC Curve and AUC have been used. From the evaluation, it was seen that the slightly compact InceptionV3 model with ReLu had the overall best result achieving an average score of 94% across all the performance metrics in the augmented dataset. Lastly for XAI, the three aforementioned XAI have been used for an overall comparative analysis. It is the aim of this research that the contributions of the study will help in achieving a better detection method for ovarian cancer.
• Abstract（参考訳）: 自然界で悪性な細胞の増殖は、がんである。 近年、医療専門家は、より優れた臨床診断、疾患診断、薬物発見のために、医療データを分析するための深層学習モデルを実装することで、診断と治療能力の強化を常に進めている。 がんの大半は、これらの技術を組み込んで研究され、治療されている。 しかし, 卵巣癌は非侵襲的検出法が不正確であり, 正確な検出に時間を要するため, ジレンマのままである。 そこで本研究では,LeNet-5,ResNet,VGGNet,GoogLeNet/Inceptionなどの畳み込みニューラルネットワークを用いて15種類の変異体を開発し,卵巣癌を正確に検出し同定するモデルを選択する。 効果的なモデルトレーニングには、MendleyのデータセットであるOvarianCancer&SubtypesDatasetHistopathologyが使用されている。 モデル構築後,LIME,Integrated Gradients,SHAPなどの説明可能な人工知能(XAI)モデルを用いて,選択したモデルのブラックボックス結果を説明する。 モデルの性能評価には、精度、精度、リコール、F1スコア、ROC曲線、AUCが使われている。 評価の結果,ReLuを用いたわずかにコンパクトなInceptionV3モデルでは,拡張データセットのすべてのパフォーマンス指標の平均スコアが94%に達した。 最後に、上記の3つのXAIを総合的な比較分析に用いている。 本研究の目的は,本研究の貢献が卵巣癌の検出方法の改善に役立てることである。

関連論文リスト

• An Artificial Intelligence Model for Early Stage Breast Cancer Detection from Biopsy Images [0.0]
  本稿では,乳がんのタイプ識別を支援する人工知能ツールを提案する。 提案モデルは、良性組織と悪性組織を区別するために、畳み込みニューラルネットワーク(CNN)アーキテクチャを利用する。 このようなデータセットの実験結果は、モデルの有効性を示し、精度、精度、リコール、F1スコアの点で、既存のソリューションよりも優れています。
  論文  参考訳（メタデータ） (2025-05-24T09:11:50Z)
• Comparative Evaluation of Radiomics and Deep Learning Models for Disease Detection in Chest Radiography [0.0]
  胸部X線撮影における疾患検出のための放射線治療と深層学習によるアプローチについて検討した。 深層学習モデルは画像データから直接学習し、放射能ベースのモデルは手作りの特徴を抽出する。 これらの知見は、診断AIにおけるモデル選択のための統計的に検証された、データ駆動の推奨を提供する。
  論文  参考訳（メタデータ） (2025-04-16T16:54:37Z)
• A Foundational Generative Model for Breast Ultrasound Image Analysis [42.618964727896156]
  基礎モデルは臨床現場で様々な課題に対処するための強力なツールとして登場した。 乳房超音波検査に特化して設計された最初の基礎的生成モデルであるBUSGenについて述べる。 BUSGenは、数ショットの適応で、現実的で情報に富んだタスク固有のデータのリポジトリを生成することができる。
  論文  参考訳（メタデータ） (2025-01-12T16:39:13Z)
• 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)
• Breast Cancer Diagnosis: A Comprehensive Exploration of Explainable Artificial Intelligence (XAI) Techniques [37.9243470221619]
  乳がんの診断・診断における説明可能な人工知能(XAI)技術の適用について検討する。 複雑なAIモデルと実用的な医療アプリケーションの間のギャップを埋めることにおけるXAIの可能性を強調することを目的としている。
  論文  参考訳（メタデータ） (2024-06-01T18:50:03Z)
• Predictive Modeling for Breast Cancer Classification in the Context of Bangladeshi Patients: A Supervised Machine Learning Approach with Explainable AI [0.0]
  5種類の機械学習手法の分類精度,精度,リコール,F-1スコアを評価し,比較した。 XGBoostは97%という最高のモデル精度を達成した。
  論文  参考訳（メタデータ） (2024-04-06T17:23:21Z)
• Explainable AI in Diagnosing and Anticipating Leukemia Using Transfer Learning Method [0.0]
  本研究は,小児および10代に流行する急性リンパ芽球性白血病(ALL)に焦点をあてる。 ディープラーニング技術を活用したコンピュータ支援診断(CAD)モデルを用いた自動検出手法を提案する。 提案手法は98.38%の精度を達成し、他の試験モデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-12-01T10:37:02Z)
• Breast Cancer Detection and Diagnosis: A comparative study of state-of-the-arts deep learning architectures [3.883460584034766]
  南アフリカなど世界3カ国の乳がん患者の生存率は驚くほど低い。 医療専門家や研究者は、エンドツーエンドソリューションを開発するために、ドメイン固有のAIアプローチ、特にディープラーニングモデルに目を向けている。 本研究では、ビジョントランスフォーマー(ViT)と呼ばれる比較的新しいモデルと比較して、様々な最先端畳み込みニューラルネットワーク(CNN)アーキテクチャの性能を評価することに焦点を当てる。
  論文  参考訳（メタデータ） (2023-05-31T15:21:34Z)

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。