論文の概要: NeoJaundice-AI: Smartphone-Based Neonatal Jaundice Detection Using Dual-Input Deep Learning and Synthetic Augmentation

• arxiv url: http://arxiv.org/abs/2606.20689v1
• Date: Sun, 14 Jun 2026 20:19:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 16:08:34.2341
• Title: NeoJaundice-AI: Smartphone-Based Neonatal Jaundice Detection Using Dual-Input Deep Learning and Synthetic Augmentation
• Title（参考訳）: NeoJaundice-AI:デュアル入力深層学習と合成拡張を用いたスマートフォンによる新生児結節検出
• Abstract要約: 新生児黄斑 (hyperbilirubinemia) は、新生児に影響を及ぼす最も一般的な疾患の一つであり、インドでは年間約1500万件の症例が報告されている。 本稿では,乳児の皮膚と頭蓋骨(眼白)の写真をスマートフォンによるスクリーニングシステムであるNeoJaundice-AIについて述べる。 実験の結果,総分類精度91.8%,臨床感度93.5%,ビリルビンの平均絶対誤差1.4mg/dLが得られた。
• 参考スコア（独自算出の注目度）: 0.6445605125467574
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neonatal jaundice (hyperbilirubinemia) is one of the most common conditions affecting newborns worldwide, with India alone recording roughly 15 million cases per year. Early detection is critical, yet standard diagnosis requires blood tests that are often impractical in rural clinics where laboratory facilities are limited. This paper presents NeoJaundice-AI, a smartphone-based screening system that uses photographs of a baby's skin and sclera (eye white) to estimate jaundice severity and predict serum bilirubin levels in under three seconds without requiring internet connectivity. The proposed system is built on a dual-branch EfficientNet-B0 architecture that independently processes skin and sclera images. Deep features are fused with handcrafted YCbCr color statistics to jointly perform four-class severity classification and continuous bilirubin regression. A key contribution is a synthetic jaundice generation method that simulates bilirubin-induced yellowing through controlled YCbCr channel modifications on normal neonatal skin images. This approach addresses data scarcity, particularly for severe jaundice cases and darker Indian skin tones (Fitzpatrick Types IV to VI). In addition, a skin-tone normalization module improves prediction consistency across diverse neonatal complexions. Experimental results demonstrate an overall classification accuracy of 91.8 percent, a clinical sensitivity of 93.5 percent, and a bilirubin mean absolute error of 1.4 mg/dL. After INT8 quantization and ONNX conversion, the model size is reduced to 8.3 MB while maintaining inference times below three seconds on standard Android devices. To the best of our knowledge, this is the first India-focused neonatal jaundice AI system that combines multimodal image fusion, skin-tone adaptation, synthetic data augmentation, and fully offline mobile deployment within a single framework.
• Abstract（参考訳）: 新生児黄泉(ハイエルビリルビン血症)は、新生児に影響を及ぼす最も一般的な疾患の1つで、インドだけでも年間約1500万件の症例が報告されている。 早期発見は重要であるが、標準的な診断では、検査施設が限られている田舎の診療所では非現実的な血液検査が必要である。 本稿では,乳児の皮膚と頭蓋骨(眼白)の写真をスマートフォンによるスクリーニングシステムであるNeoJaundice-AIについて,インターネット接続を必要とせずに3秒未満で血清ビリルビン濃度を推定する。 提案システムは,スキンイメージとスクレライメージを独立に処理するデュアルブランチ・ネットワーク-B0アーキテクチャ上に構築されている。 深い特徴は、手作りのYCbCr色統計と融合し、4種類の重度分類と連続したビリルビン回帰を共同で行う。 鍵となる貢献は、正常な新生児皮膚画像に対するYCbCrチャネルの制御によるビリルビン誘発黄色化をシミュレートする合成黄液生成法である。 このアプローチは、特に重度の黄土病や、より暗いインドの肌の色(フィッツパトリックタイプIVからVI)について、データの不足に対処する。 さらに、スキントーンの正規化モジュールは、様々な新生児複合体の予測一貫性を向上させる。 実験の結果,総分類精度91.8%,臨床感度93.5%,ビリルビンの平均絶対誤差1.4mg/dLが得られた。 INT8量子化とONNX変換の後、モデルサイズは8.3MBに削減され、標準のAndroidデバイスでは3秒未満の推論時間を維持する。 私たちの知る限りでは、これは、マルチモーダル画像融合、スキントーン適応、合成データ拡張、単一フレームワークでの完全なオフラインモバイルデプロイメントを組み合わせた、インド初の新生児黄土AIシステムです。

関連論文リスト

• Disease Burden over Skin Tone: Decomposing the Dermatology-AI Generalization Gap [0.7068165275780814]
  一般化不良は, 主にスキン・トーン・アンダーレプレメンテーションや病因分布シフトによって引き起こされるか検討した。 モデルは、トーン層化疾患マッチングデータセットと、疾患シフトトーン多様性データセットで評価される。 以上の結果より, 疾患分布の変化が皮膚のトーン以上に寄与していることが示唆された。
  論文  参考訳（メタデータ） (2026-09-02T04:55:23Z)
• Cascade Classification of Dermoscopic Images of Skin Neoplasms with Controllable Sensitivity and External Clinical Validation [36.94429692322632]
  二段式(悪性/良性)、一段式(良性、MEL、SCC、BCC)、二段式(二段式トリアージ、三段式MEL/SCC/BCC)の3種類を比較した。 すべてのモデルはImageNet-pretrained weightsを使用し、オープンなISICアーカイブデータに1つの拡張プロトコルを使用した。 ISIC MILK10kでは、11級の直接分類により平均級感度0.525が得られる。
  論文  参考訳（メタデータ） (2026-06-11T09:55:57Z)
• When AI and Experts Agree on Error: Intrinsic Ambiguity in Dermatoscopic Images [37.92086450087161]
  我々は、すべてのCNNアーキテクチャで体系的に誤って分類された画像のサブセットを分離した。 専門の皮膚科医は、これらの課題を対照群と共に評価した。 結果,AIミス分類画像の診断性能は低下した。 両システム障害の原原因は画像品質であった。
  論文  参考訳（メタデータ） (2026-04-01T09:01:43Z)
• Synthetic Melanoma Image Generation and Evaluation Using Generative Adversarial Networks [8.789857856546147]
  我々は,高分解能メラノーマ特異的合成のための4つのGANアーキテクチャ(DCGAN,StyleGAN2,StyleGAN3)と2つのStyleGAN3変異体(T/R)を比較した。 StyleGAN2は、定量性能と知覚品質の最良のバランスを達成し、FIDスコアは24.8と7.96(ISICと7.96(ISIC 2020))をガンマ=0.8で達成している。 制御された拡張実験では、クラス不均衡に対応するために合成メラノーマ画像を追加することで、保持された実像テストセット上で、0.925から0.945までのメラノーマ検出AUCが改善された。
  論文  参考訳（メタデータ） (2026-03-13T18:21:55Z)
• A Generative AI Approach for Reducing Skin Tone Bias in Skin Cancer Classification [2.676349883103404]
  皮膚がんは世界中で最も一般的ながんの1つであり、早期発見は効果的な治療に重要である。 現在のAI診断ツールは、より軽い肌のトーンに支配されるデータセットでトレーニングされることが多いため、より暗い肌の人々の正確性と公平性が低下する。 本稿では,皮膚内視鏡画像を用いた皮膚癌自動検出における皮膚緊張不均衡の課題について述べる。
  論文  参考訳（メタデータ） (2026-02-16T00:20:56Z)
• Deep Learning for Fetal Inflammatory Response Diagnosis in the Umbilical Cord [2.4573404709588673]
  子宮の炎症は、子宮内感染などの炎症刺激の上昇の結果であると考えられる。 近年,デジタル病理学における深層学習の進歩は,幅広い臨床課題において良好な成績を示した。
  論文  参考訳（メタデータ） (2024-11-14T19:24:46Z)
• FairSkin: Fair Diffusion for Skin Disease Image Generation [54.29840149709033]
  拡散モデル (DM) は, 合成医用画像の生成において主要な手法となっているが, 臨界二倍偏差に悩まされている。 このようなバイアスを3段階のリサンプリング機構によって緩和する新しいDMフレームワークであるFairSkinを提案する。 本手法は, 画像の多様性と品質を著しく向上させ, 臨床環境における皮膚疾患の検出精度の向上に寄与する。
  論文  参考訳（メタデータ） (2024-10-29T21:37:03Z)
• An Enhanced Harmonic Densely Connected Hybrid Transformer Network Architecture for Chronic Wound Segmentation Utilising Multi-Colour Space Tensor Merging [5.480876321372602]
  静脈、動脈、糖尿病、圧傷は世界中でますます一般的になりつつある。 HarDNetセグメンテーションアーキテクチャは、特徴学習を強化するために、ネットワークの初期層にコントラスト除去コンポーネントを統合する。 本研究は, 創傷画像のみを訓練したモデルを用いて, 慢性的な創傷セグメント化のための黒色色調に焦点を当てた最初の研究である。
  論文  参考訳（メタデータ） (2024-10-04T12:26:51Z)
• 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)
• Neural Cellular Automata for Lightweight, Robust and Explainable Classification of White Blood Cell Images [40.347953893940044]
  ニューラルセルオートマトン(NCA)を用いた白血球分類の新しいアプローチを提案する。 NCAに基づく手法はパラメータの面で著しく小さく,ドメインシフトに対する堅牢性を示す。 その結果,NAAは画像分類に利用でき,従来の手法の課題に対処できることがわかった。
  論文  参考訳（メタデータ） (2024-04-08T14:59:53Z)
• Infant Brain Age Classification: 2D CNN Outperforms 3D CNN in Small Dataset [0.14063138455565613]
  乳児の脳磁気共鳴画像(MRI)は、ミエリン化以外の特定の発達パターンを示す。 標準化された基準がなければ、3歳前のMRIから脳の構造的成熟度を視覚的に推定することは、サーバ間およびサーバ内変動によって支配される。 我々は、この課題に取り組むための一般的な実現可能性と、2次元および3次元畳み込みニューラルネットワーク(CNN)を含む様々なアプローチの有用性について検討する。 中央軸厚スラブ上に2次元CNNを用いて0.90[95% CI:0.86-0.94]の精度を達成した。
  論文  参考訳（メタデータ） (2021-12-27T18:02:48Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)

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。