Fugu-MT 論文翻訳(概要): A Dual Cross-Attention Framework for Colposcopic CIN Grading and Swede Score Prediction Using a New Multi-Center Dataset

論文の概要: A Dual Cross-Attention Framework for Colposcopic CIN Grading and Swede Score Prediction Using a New Multi-Center Dataset

arxiv url: http://arxiv.org/abs/2609.12827v1
Date: Fri, 11 Sep 2026 13:23:19 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-15 07:38:31.757254
Title: A Dual Cross-Attention Framework for Colposcopic CIN Grading and Swede Score Prediction Using a New Multi-Center Dataset
Title（参考訳）: 新しいマルチセンターデータセットを用いた大腸内視鏡的CINグレーディングとスウェーデンスコア予測のための二重クロスアテンションフレームワーク
Abstract要約: 低所得国と中所得国(LMICs)では、疾患の負担が不均等に減少している。骨盤内上皮新生形成(CIN)の自動化のための新しい深層学習フレームワークを提案する。提案したフレームワークは71.85%の精度と86.23%のAUC-ROCを3クラスCINグレーディングで達成し、既存の手法より優れていた。
参考スコア（独自算出の注目度）: 1.1144862905173272
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Cervical cancer is a major global health challenge, with disease burden falling disproportionately on low- and middle-income countries (LMICs) due to a shortage of trained specialists and the subjective nature of colposcopy-based screening. To address this challenge, we propose a novel deep learning framework for the automated grading of Cervical Intraepithelial Neoplasia (CIN) and the prediction of clinical Swede scores. We also introduce the BUET Multi-Center Colposcopy Dataset, a novel, multi-center cohort designed and annotated for Swede score prediction and CIN grading. Our proposed dual-stream cross-attention architecture mimics the visual reasoning of an expert colposcopist by explicitly fusing paired multimodal cervigrams to evaluate comparative tissue responses. Furthermore, we introduce a custom composite loss function to address severe class imbalances and scoring inconsistencies across the five Swede score components. The proposed framework achieved 71.85% accuracy and an 86.23% AUC-ROC for three-class CIN grading, outperforming existing methods. For Swede score component prediction, the architecture achieved AUC-ROC values ranging from 75.7% to 88.4%, with the composite loss function yielding consistent F1-score improvements. Finally, the total predicted Swede Score, which ranges between 0 and 10, shows a Mean Absolute Error (MAE) of 1.489. The results show that the proposed method can pave the way towards developing AI-assisted colposcopy screening tools to support risk-based triage in resource-limited healthcare settings. The dataset and source code are publicly available(url: https://github.com/mHealthBuet/BUET-colposcopy)
Abstract（参考訳）: 低所得国や中所得国(LMIC)では、専門医の不足や、大腸内視鏡によるスクリーニングの主観的な性質により、疾患の負担が不均衡に減少する。そこで本研究では,Cervical intraepithelial Neoplasia (CIN) の自動評価のための新しいディープラーニングフレームワークを提案する。また,スウェーデンのスコア予測とCINグレーディングのために設計された,新しいマルチセンターコホートであるBUET Multi-Center Colposcopy Datasetを紹介した。提案手法は, 比較組織応答を評価するために, ペアのマルチモーダルサービグラムを明示的に融合させることにより, 専門家の視覚的推論を模倣するものである。さらに,スウェーデンの5つのスコアコンポーネント間での厳密なクラス不均衡と不整合に対処するための,独自の複合損失関数を導入する。提案したフレームワークは71.85%の精度と86.23%のAUC-ROCを3クラスCINグレーディングで達成し、既存の手法より優れていた。スウェーデンのスコアコンポーネント予測では、アーキテクチャは75.7%から88.4%の範囲でAUC-ROC値を達成し、複合損失関数は一貫したF1スコアの改善をもたらす。最後に、スウェーデンスコアは0から10の範囲で予測され、平均絶対誤差(MAE)は1.489である。その結果、提案手法は、リソース制限型医療環境におけるリスクベースのトリアージを支援するために、AI支援型大腸内視鏡スクリーニングツールの開発への道を開くことができることがわかった。データセットとソースコードが公開されている(url: https://github.com/mHealthBuet/BUET-colposcopy)。

関連論文リスト

A deep learning pipeline for PAM50 subtype classification using histopathology images and multi-objective patch selection [0.2958068627971103]
PAM50遺伝子シグネチャは、乳がんを固有のサブタイプに分類する標準として広く認識されている。本研究では,コストのかかる分子アッセイへの依存を減らすことを目的とした,新しい最適化駆動型ディープラーニングフレームワークを提案する。提案手法は,非支配的ソート遺伝的アルゴリズムII(NSGA-II)とモンテカルロのドロップアウトに基づく不確実性推定を組み合わせ,パッチ情報量,空間的多様性,不確実性,パッチ数などを共同で最適化する。
論文参考訳（メタデータ） (2026-04-02T09:13:24Z)
Multimodal Machine Learning for Early Prediction of Metastasis in a Swedish Multi-Cancer Cohort [1.5829605001132387]
マルチモーダル機械学習(Multimodal Machine Learning)は、患者の状態の全体像を提供し、電子的健康記録から構造化データと非構造化データを統合する。 EHRデータから6カ月の経過を経過観察し,診断の1ヶ月前に転移リスクを予測する枠組みを提案する。
論文参考訳（メタデータ） (2026-03-31T14:27:21Z)
FairMed-XGB: A Bayesian-Optimised Multi-Metric Framework with Explainability for Demographic Equity in Critical Healthcare Data [1.7915158401181968]
批判的ケア設定にデプロイされた機械学習モデルは、人口統計バイアス、特に性別格差を示す。本稿では,ジェンダーベースの予測バイアスを体系的に検出し緩和する新しいフレームワークであるFairMed-XGBを紹介する。 FairMed-XGBは、公平な臨床試験のための堅牢で解釈可能で倫理的に整合したソリューションを提供する。
論文参考訳（メタデータ） (2026-03-16T07:57:40Z)
Interpretable Rheumatoid Arthritis Scoring via Anatomy-aware Multiple Instance Learning [0.0]
SvdH(Sharp/van der Heijde)スコアは慢性関節リウマチ(RA)における放射線損傷の定量化に広く用いられている。両手ラジオグラフィーを用いた画像レベルのSvdHスコア予測のための2段階パイプラインを提案する。
論文参考訳（メタデータ） (2025-08-08T10:56:14Z)
CardioSyntax: end-to-end SYNTAX score prediction -- dataset, benchmark and method [36.440495538328754]
SynTAXスコアは、冠動脈疾患の重症度を測る手段として広く用いられている。本稿では,冠動脈造影からSynTAXスコアを自動推定する医療レグレッションと分類問題を提案する。我々は,SynTAXスコア推定と冠優位分類のために,3,018人の総合的なCardioSYNTAXデータセットを提示した。
論文参考訳（メタデータ） (2024-07-29T11:16:59Z)
Confidence-Driven Deep Learning Framework for Early Detection of Knee Osteoarthritis [8.193689534916988]
膝関節症 (KOA) は筋骨格障害の1つで、運動量や生活の質に深刻な影響を及ぼす。我々は,KL-0およびKL-2ステージの識別に焦点をあてた,早期のKOA検出のための信頼性駆動型ディープラーニングフレームワークを提案する。実験により,提案フレームワークは専門家の放射線学者に匹敵する,競争精度,感度,特異性を達成できることが示された。
論文参考訳（メタデータ） (2023-03-23T11:57:50Z)
Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文参考訳（メタデータ） (2023-02-16T17:06:23Z)
Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文参考訳（メタデータ） (2022-05-05T10:31:57Z)
Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文参考訳（メタデータ） (2021-09-08T07:56:51Z)
Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文参考訳（メタデータ） (2021-04-07T06:02:04Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)
Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。感染発生率の低減に向けた意思決定を支援することを目的とする。
論文参考訳（メタデータ） (2020-05-07T16:13:12Z)

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。