論文の概要: Deep Learning for Biopsy-Free Subtyping of Basal Cell Carcinoma from Dermatoscopic Images

• arxiv url: http://arxiv.org/abs/2609.07180v1
• Date: Mon, 07 Sep 2026 08:13:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.384531
• Title: Deep Learning for Biopsy-Free Subtyping of Basal Cell Carcinoma from Dermatoscopic Images
• Title（参考訳）: 皮膚内視鏡画像による基底細胞癌の生検自由亜型化の深層学習
• Abstract要約: 基底細胞癌 (Basal Cell Carcinoma, BCC) は、皮膚がんの80%近くを占める皮膚癌である。 現在の潜伏は、費用がかかることと侵襲的な方法である皮膚生検に依存している。 本稿では,BCCサブタイピングにおける深層学習の予備的検討を行う。
• 参考スコア（独自算出の注目度）: 40.14906807696333
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Basal Cell Carcinoma (BCC) is the most common type of skin cancer, accounting for nearly 80% of skin cancer di- agnoses. Its optimal clinical management is guided by the distinct histopathologic subtype, with aggressive variants requiring more drastic measures. In current clinical practice, subtyping relies on skin biopsies, a procedure both costly and invasive. In this paper, we conduct a preliminary investigation into using deep learning for BCC subtyping, solely from a single dermatoscopic image of the lesion. Given the limited data at our disposal, we employ pre-trained vision transformers (ViTs), a state-of-the-art family of models highly effective for challenging downstream tasks with limited labeled data. Through repeated stratified k-fold cross-validation, we demonstrate that ViTs can achieve superior performance (AUC 0.784 on a dataset of 1271 dermatoscopic images of various BCC subtypes) over standard CNN-based baselines as well as previously-reported human reader perfor- mance, on the task of differentiating aggressive BCCs from other subtype families. These initial findings highlight the potential of combining deep learning and dermatoscopy to provide a biopsy- free alternative for BCC subtyping, thus aiding in improving treatment planning and patient outcomes.
• Abstract（参考訳）: 基底細胞癌(Basal Cell Carcinoma, BCC)は、皮膚がんの約80%を占める皮膚がんである。 その最適な臨床管理は、より急激な測定を必要とする攻撃的な変種を含む、異なる組織学的サブタイプによって導かれる。 現在の臨床実践では、サブタイピングはコストと侵襲性の両方の処置である皮膚生検に依存している。 本稿では,BCCサブタイピングにおける深層学習の予備的検討を行う。 我々の処理において限られたデータを考えると、限られたラベル付きデータで下流タスクに挑戦するのに非常に有効な最先端のモデルである事前学習型視覚変換器(ViTs)を採用している。 層状化k-foldクロスバリデーションを繰り返すことで,他のサブタイプファミリーとアグレッシブBCCを区別する作業において,標準CNNベースのベースラインだけでなく,従来報告されていたヒト読影パーフォルマンスよりも優れた性能(1271種類のBCCサブタイプの皮膚内視鏡画像のデータセットではAUC 0.784)を達成できることが実証された。 以上より, 深層学習と皮膚内視鏡の併用により, BCC サブタイピングのバイオプシーフリー代替案が提供され, 治療計画の改善と患者の治療成績の向上に寄与する可能性が示唆された。

関連論文リスト

• Multimodal Deep Learning for Subtype Classification in Breast Cancer Using Histopathological Images and Gene Expression Data [0.28675177318965045]
  本稿では,乳がんをBRCAに分類する深層マルチモーダル学習フレームワークを提案する。 提案手法では,ResNet-50モデルを用いて画像の特徴抽出を行う。 本研究は, 乳がん亜型分類における深層学習の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-03-04T18:24:33Z)
• Classification and Morphological Analysis of DLBCL Subtypes in H\&E-Stained Slides [1.6921301404288207]
  びまん性大細胞型B細胞リンパ腫(DLBCL)の分類のためのディープラーニングモデルを提案する。 クロスバリデーション中の平均面積は (87.4 pm 5.7)% の曲線 (AUC) である。 臨床応用の可能性を示す高い正の予測値(PPV)を示す。
  論文  参考訳（メタデータ） (2024-11-13T11:25:26Z)
• Towards Multi-modality Fusion and Prototype-based Feature Refinement for Clinically Significant Prostate Cancer Classification in Transrectal Ultrasound [4.662744612095781]
  臨床的に有意な前立腺癌(csPCa)分類のための多モードTRUSを用いた新しい学習フレームワークを提案する。 提案フレームワークは,Bモードとせん断波エラストグラフィ(SWE)から特徴を抽出するために,2つの別々の3D ResNet-50を用いている。 このフレームワークの性能は512のTRUSビデオと生検で得られた前立腺癌からなる大規模データセットで評価される。
  論文  参考訳（メタデータ） (2024-06-20T07:45:01Z)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)
• Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
  同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。 肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T02:04:05Z)
• Deep learning-based approach to reveal tumor mutational burden status from whole slide images across multiple cancer types [41.61294299606317]
  腫瘍突然変異負担(TMB)は、免疫療法の潜在的なゲノムバイオマーカーである。 ゲノムシークエンシングによって検出されたTMBは、低リソース環境での臨床透過性を欠いている。 本研究では,日常的に使用されているスライド画像からTMB状態を検出するための大規模ディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-07T07:02:32Z)
• Weakly-supervised learning for image-based classification of primary melanomas into genomic immune subgroups [1.4585861543119112]
  我々は,ギガピクセルH&E染色病理スライドを免疫サブグループに分類する深層学習モデルを開発した。 我々は、スライドレベルラベルのみを必要とするマルチインスタンス学習アプローチを活用し、注意機構を用いて、その分類に高い重要性を持つ領域をハイライトする。
  論文  参考訳（メタデータ） (2022-02-23T13:57:35Z)
• Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
  乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
  論文  参考訳（メタデータ） (2021-09-14T09:42:37Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)

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。