Fugu-MT 論文翻訳(概要): Robust Lightweight Deep Learning Models for Oral Cancer Screening

論文の概要: Robust Lightweight Deep Learning Models for Oral Cancer Screening

arxiv url: http://arxiv.org/abs/2608.21583v1
Date: Fri, 21 Aug 2026 19:36:25 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-25 18:24:36.91168
Title: Robust Lightweight Deep Learning Models for Oral Cancer Screening
Title（参考訳）: 口腔癌検診におけるロバスト軽量深層学習モデル
Abstract要約: 口腔がんは低所得国における死亡率の主要な原因である。スマートフォンを用いた口腔癌検診における軽度深層学習モデルの最適化について述べる。
参考スコア（独自算出の注目度）: 2.1173478851307252
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Oral cancer is a leading cause of mortality in low-to-middle-income countries, where a shortage of specialists delays diagnosis. While point-of-care screening via smartphones offers a scalable solution, developing robust AI for resource-constrained settings poses significant challenges, including class imbalance in training data, variable data quality, and computational constraints on edge devices. In this paper, we present the optimisation of lightweight deep learning models for smartphone-based oral cancer screening. Using a diverse, multi-centre retrospective dataset of approximately 30,000 images acquired over a decade, we systematically evaluate state-of-the-art convolutional, transformer, and hybrid architectures. Through rigorous pipeline ablation, we demonstrate that directly optimising hybrid architectures for the edge strictly outperforms computationally heavy paradigms, such as large models or knowledge distillation. Furthermore, interpretability analysis and simulated noise-stress tests revealed that the system anchors on clinical features and remains robust to unstructured sensor noise, despite vulnerabilities to impulse bit errors. In the held-out test set, our optimised MobileViTv2 models achieved an average sensitivity of 83.2 $\pm$ 1.5% and an average specificity of 86.0 $\pm$ 0.8%, with the best model exhibiting 87.4% sensitivity, 86.5% specificity, and a critical negative predictive value of 97.2% with reference to specialist labels. These results confirm that with targeted architectural selection and streamlined optimisation, interpretable and robust lightweight AI models exhibit high potential for edge deployment to enable automated triage in primary care settings.
Abstract（参考訳）: 口腔がんは低所得国における死亡率の主要な原因であり、専門医の不足が診断を遅らせる。スマートフォンによるポイント・オブ・ケアのスクリーニングはスケーラブルなソリューションを提供するが、リソース制約のある設定のための堅牢なAIの開発は、トレーニングデータのクラス不均衡、データ品質の変化、エッジデバイスの計算制約など、大きな課題を生じさせる。本稿では,スマートフォンを用いた口腔癌検診における軽量ディープラーニングモデルの最適化について述べる。 10年以上にわたって取得された約3万の画像の多段階の振り返りデータセットを使用して、最先端の畳み込み、トランスフォーマー、ハイブリッドアーキテクチャを体系的に評価した。厳密なパイプラインアブレーションにより、エッジのハイブリッドアーキテクチャを直接最適化することは、大規模モデルや知識蒸留といった計算的に重いパラダイムを厳密に上回ります。さらに、解釈可能性分析とシミュレートされたノイズストレステストにより、システムは臨床的特徴に固執し、ビットエラーの危険性にもかかわらず、非構造的なセンサノイズに頑健であることが判明した。保持テストセットでは、最適化されたMobileViTv2モデルの平均感度は83.2$\pm$1.5%、平均特異度は86.0$\pm$0.8%で、最高のモデルは87.4%の感度、86.5%の特異性、臨界負の予測値は97.2%であった。これらの結果は、ターゲットとしたアーキテクチャの選択と最適化の合理化によって、解釈可能で堅牢な軽量AIモデルは、プライマリケア設定における自動トリアージを可能にするために、エッジデプロイメントの可能性が高いことを確認している。

関連論文リスト

Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
論文参考訳（メタデータ） (2026-03-23T05:46:45Z)
A Deep Learning Approach for Automated Skin Lesion Diagnosis with Explainable AI [0.0]
皮膚がんは世界で最も一般的で危険ながんの1つである。本稿では,HAM10000データセットを用いたマルチクラス皮膚病変分類のディープラーニングアーキテクチャについて述べる。
論文参考訳（メタデータ） (2026-01-02T19:21:59Z)
A DeepSeek-Powered AI System for Automated Chest Radiograph Interpretation in Clinical Practice [83.11942224668127]
Janus-Pro-CXR (1B) はDeepSeek Janus-Proモデルに基づく胸部X線解釈システムである。本システムは, 自動レポート生成において, 最先端のX線レポート生成モデルより優れる。
論文参考訳（メタデータ） (2025-12-23T13:26:13Z)
CytoDINO: Risk-Aware and Biologically-Informed Adaptation of DINOv3 for Bone Marrow Cytomorphology [0.0]
我々はミュンヘン白血病研究所のデータセット上で最先端のパフォーマンスを実現するフレームワークであるCytoDINOを紹介した。私たちの主な貢献は、細胞間の生物学的な関係をコード化し、臨床的に危険な誤分類を明示的に罰する、ヒエララルカル・フーカル・ロス・ウィット・クリティカル・ペナルティ(Hierarchical Focal Loss with critical penalties)である。 CytoDINOは21種類のテストセットで88.2%の重み付きF1スコアと76.5%のマクロF1を達成している。
論文参考訳（メタデータ） (2025-12-09T23:09:22Z)
Colorectal Cancer Histopathological Grading using Multi-Scale Federated Learning [0.0]
本稿では,大腸癌診断のための拡張性,プライバシ保護型フェデレーション学習フレームワークを提案する。我々のフレームワークは全体の83.5%の精度を達成し、同等の集中型モデルよりも優れています。提案されたモジュールパイプラインは、デジタル病理のためのデプロイ可能でプライバシに配慮した臨床AIに向けた基礎的なステップを確立する。
論文参考訳（メタデータ） (2025-11-05T18:18:09Z)
AI-Powered Early Detection of Critical Diseases using Image Processing and Audio Analysis [0.4356470230135012]
本稿では,画像解析,サーマルイメージング,音声信号処理を統合したマルチモーダル人工知能(AI)診断フレームワークを提案する。微細調整されたMobileNetV2畳み込みニューラルネットワークは、皮膚病変分類のためのISIC 2019データセットでトレーニングされた。ハンドクラフト機能を備えたサポートベクターマシン(SVM)は、86.4%の精度でサーマルクロート検出に使用された。このフレームワークは、スケーラブルでリアルタイムで、アクセス可能なAIベースの事前診断型ヘルスケアソリューションへの、有望なステップを提供する。
論文参考訳（メタデータ） (2025-10-29T06:09:17Z)
An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
論文参考訳（メタデータ） (2025-10-21T17:18:55Z)
Model Compression Engine for Wearable Devices Skin Cancer Diagnosis [0.04818215922729968]
皮膚がんは最も一般的で予防可能ながんの1つであるが、早期発見は依然として課題である。本研究では,このギャップに対処するために組込みシステムに最適化されたAI駆動型診断ツールを提案する。
論文参考訳（メタデータ） (2025-07-23T02:02:24Z)
ScaleMAI: Accelerating the Development of Trusted Datasets and AI Models [46.80682547774335]
我々はAI統合データキュレーションとアノテーションのエージェントであるScaleMAIを提案する。まず、ScaleMAIは25,362個のCTスキャンを作成した。第2に、プログレッシブなヒューマン・イン・ザ・ループのイテレーションを通じて、ScaleMAIはFragship AI Modelを提供する。
論文参考訳（メタデータ） (2025-01-06T22:12:00Z)
Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文参考訳（メタデータ） (2024-07-10T19:17:23Z)
Enhancing Diagnostic Reliability of Foundation Model with Uncertainty Estimation in OCT Images [41.002573031087856]
光コヒーレンストモグラフィー(OCT)における11個の網膜状態を検出するために,不確実性推定(FMUE)を用いた基礎モデルを開発した。 FMUEは2つの最先端アルゴリズムであるRETFoundとUIOSよりも96.76%高いF1スコアを獲得し、しきい値戦略を98.44%に改善した。我々のモデルは、F1スコアが高い2人の眼科医(95.17%対61.93% &71.72%)より優れている。
論文参考訳（メタデータ） (2024-06-18T03:04:52Z)

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。