論文の概要: Towards Global AI-Driven Cervical Cancer Screening

• arxiv url: http://arxiv.org/abs/2606.15019v1
• Date: Fri, 12 Jun 2026 23:30:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:32.646111
• Title: Towards Global AI-Driven Cervical Cancer Screening
• Title（参考訳）: AIによるがん検診のグローバル化に向けて
• Authors: Thuy Nuong Tran, Ömer Sümer, Evangelia Christodoulou, Lennart Nauschütte, Simon Kalteis, Martin Paulikat, Esmira Pashayeva, Klara Steinheuer, Isabella Borges, Piotr Kalinowski, Hermann Bussmann, Sieng Sokmney, Poeung Kuong, Sathiarany Vong, Achim Schneider, Magnus von Knebel-Doeberitz, Patrick Godau, Lena Maier-Hein,
• Abstract要約: 子宮頸癌は世界保健機関(WHO)が定めた主要な公衆衛生上の目標である 低所得国(LMICs)では、専門家や生検サービスへのアクセスが制限されている ディープラーニング(DL)ベースのアルゴリズムは、スクリーニングの有望なサポートを提供するが、既存のアプローチのほとんどは、単一国のプライベートデータセット上で開発され、検証されている。 複数の国のデータで検証された子宮頸癌検診へのDL-based approachを初めて提示した。
• 参考スコア（独自算出の注目度）: 1.0575237712217556
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The global elimination of cervical cancer is a key public health goal set by the World Health Organization (WHO), with screening programs reducing mortality by up to 80%. However, access to experts and biopsy services is limited in low- to middle-income countries (LMICs). Deep learning (DL)-based algorithms offer promising support for screening, but most existing approaches have been developed and validated on private datasets from single countries. We present the first DL-based approach to cervical cancer screening validated on data from multiple countries. Technically, we phrase the problem of detecting and classifying lesions in colposcopy images as a multi-task learning problem, in which we simultaneously perform image-level classification and lesion segmentation. Our model was trained on a private data set of acid stain colposcopy images with manually generated lesion segmentation masks and corresponding histopathological results, employing extensive data augmentation to address image variability. In an in-distribution validation with pathology results serving as ground truth, our algorithm outperformed medical experts (Balanced Accuracy: 0.68 vs 0.64) in CIN1- (Cervical intraepithelial neoplasia grade 1 or lower) versus CIN2+ (grade 2 or higher) classification. External validation on four colposcopy data sets from four countries featuring radical differences in prevalence and patient characteristics yielded superior performance of our method compared to baseline methods. Performance variability across countries was high with AUC values ranging from 0.54 - 0.80. Overall, algorithm performance varied with age, transformation zone (cervical area most prone to lesion development), presence of comorbidities and pathognomonic signs, with comorbidities having by far the largest negative effect. Future work should focus on improving model robustness and generalizability.
• Abstract（参考訳）: 世界保健機関(WHO)は、子宮頸がんの世界的な除去を目標としており、スクリーニングプログラムによって死亡率を最大80%下げている。 しかし、低所得国(LMICs)では、専門家や生検サービスへのアクセスが制限されている。 ディープラーニング(DL)ベースのアルゴリズムは、スクリーニングの有望なサポートを提供するが、既存のアプローチのほとんどは、単一国のプライベートデータセット上で開発され、検証されている。 複数の国のデータで検証された子宮頸癌検診へのDL-based approachを初めて提示した。 技術的には、大腸内視鏡像における病変の検出と分類の問題をマルチタスク学習問題と表現し、画像レベルの分類と病変分割を同時に行う。 本モデルでは,手動による病変分割マスクとそれに対応する病理組織学的結果を用いて,酸性染色顕微鏡画像のプライベートデータセットをトレーニングし,画像の変動に対処するために広範囲なデータ拡張を施した。 CIN1- (Cervical intraepithelial neoplasia grade 1 or lower) とCIN2+ (grade 2 or higher) の分類では, 本アルゴリズムは医療専門家 (Balanced Accuracy: 0.68 vs 0.64) よりも優れていた。 頻度と患者特性の急激な相違を特徴とする4カ国の4つの大腸内視鏡データに対する外的検証は,ベースライン法よりも優れた性能を示した。 AUCの値は0.54から0.80まで多様であった。 全体的なアルゴリズム性能は, 年齢, 変化域(病変発生傾向が最も高い部位), 相乗効果, 相乗効果の有無, 相乗効果が最大であった。 今後の作業は、モデルの堅牢性と一般化性の改善に重点を置くべきです。

関連論文リスト

• Intersectional Fairness in Vision-Language Models for Medical Image Disease Classification [25.30858592524878]
  CMAC-MMD(Cross-Modal Alignment Consistency)は、横断的な患者サブグループ間で診断の確実性を標準化するトレーニングフレームワークである。 皮膚科コホートでは, 交叉異常診断ギャップ(正陽性率差$TPR)を0.50から0.26に減らした。 緑内障検診では、TPRが0.41ドルから0.31ドルに値下げされ、より良いAUCが0.72ドル(vs. 0.71ベースライン)となった。
  論文  参考訳（メタデータ） (2025-12-17T09:47:29Z)
• A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
  RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。 腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
  論文  参考訳（メタデータ） (2025-08-22T17:48:19Z)
• PathBench: A comprehensive comparison benchmark for pathology foundation models towards precision oncology [33.51485504161335]
  病理基盤モデル(PFM)の最初の包括的なベンチマークであるPathBenchを紹介する。 我々のフレームワークは大規模データを組み込んで,PFMの客観的比較を可能にする。 当院では10病院で8,549人の患者から15,888件のWSIを収集し,64件以上の診断・予後調査を行った。
  論文  参考訳（メタデータ） (2025-05-26T16:42:22Z)
• Deep Learning Enabled Segmentation, Classification and Risk Assessment of Cervical Cancer [0.0]
  世界で4番目に多い女性がんの原因である頸部がんは、パパ・スミアテストによる早期発見が必要である。 本研究では,細胞の境界を区分けし,がん細胞を分離するために境界ボックスを描画することにより,焦点を絞った解析を行った。 様々な解像度とアスペクト比の画像を効果的に処理するために,新しいディープラーニングアーキテクチャであるMulti-Resolution Fusion Deep Convolutional Networkを提案した。
  論文  参考訳（メタデータ） (2025-05-21T13:25:27Z)
• Prototypical Cross-domain Knowledge Transfer for Cervical Dysplasia Visual Inspection [37.66559952448587]
  そこで本研究では,異なるが関連する臨床研究で収集されたクロスドメイン頚部画像を利用して,モデルの性能を向上させることを提案する。 データセット間で伝達可能な情報を堅牢に学習するために,新しいプロトタイプベースの知識フィルタリング手法を提案する。 提案法は,最先端の頚椎椎間板形成検査において,Top-1の精度が4.7%向上した。
  論文  参考訳（メタデータ） (2023-08-19T11:25:09Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)
• 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)
• Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
  CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。 これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
  論文  参考訳（メタデータ） (2020-04-22T07:30:56Z)

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。