論文の概要: LukeNet: A lightweight CNN integrated with an XAI model for Smart acute lymphoblastic leukemia detection and management
- arxiv url: http://arxiv.org/abs/2609.31736v1
- Date: Tue, 22 Sep 2026 16:36:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 13:18:35.813608
- Title: LukeNet: A lightweight CNN integrated with an XAI model for Smart acute lymphoblastic leukemia detection and management
- Title（参考訳）: LukeNet:スマート急性リンパ性白血病の検出と管理のためのXAIモデルと統合された軽量CNN
- Abstract要約: 畳み込みニューラルネットワーク(CNN)は、ALL検出と分類のためのエンドツーエンド可能な環境を作成するのに適している。
ほとんどのCNNベースのALL検出システムは、高い計算要求のため、エッジデバイスへの展開には適していない。
本研究は,IoMTをベースとしたSMART急性リンパ性白血病検出・管理システムのための,説明可能な人工知能(XAI)を統合した軽量CNNであるLukeNetを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Acute Lymphoblastic Leukemia (ALL) patients require early, accurate detection to enable timely treatment and effective patient management. A Convolutional Neural Network (CNN) is well-suited for creating an end-to-end enabling environment for ALL detection and classification. However, most CNN-based ALL detection systems are theoretical and unsuitable for deployment on edge devices due to high computational demands. The Internet of Medical Things (IoMT)-enabled devices offer an opportunity to monitor ALL patients in real time. Wearables that track temperature, heart rate, oxygen saturation, and activity can deliver critical data to support timely clinical intervention and improve patient outcomes. In smart IoMT environments, a lightweight CNN is essential because connected devices often operate under limited computational power, memory, and latency constraints. To address this need, this study proposes LukeNet, a lightweight CNN integrated with explainable artificial intelligence (XAI) for an IoMT-based SMART Acute Lymphoblastic Leukemia Detection and Management System. Trained on three (3) ALL datasets and five-fold cross-validation, LukeNet achieved an impressive 99% model accuracy as well as 99% unseen test accuracy, which is higher than six state-of-the-art (SOTA) CNNs, such as DenseNet121, MobileNet, ResNet50, InceptionV3, Xception, and VGG16, as well as transfer learning models. Furthermore, LukeNet was compared with two ensemble models. In addition, explainable AI methods are integrated to highlight relevant regions in microscopic images. The novelty of this study lies in the architecture of LukeNet, which balances model depth and computational efficiency by using depthwise separable convolutions, mitigates the risk of gradient loss in deeper layers, and provides strong global and local feature extraction capabilities.
- Abstract（参考訳）: 急性リンパ芽球性白血病(ALL)患者は、タイムリーな治療と効果的な患者管理を可能にするために、早期かつ正確な検出が必要である。
畳み込みニューラルネットワーク(CNN)は、ALL検出と分類のためのエンドツーエンド可能な環境を作成するのに適している。
しかし、ほとんどのCNNベースのALL検出システムは、高い計算要求のため、エッジデバイスへの展開には適していない。
Internet of Medical Things(IoMT)対応デバイスは、すべての患者をリアルタイムで監視する機会を提供する。
温度、心拍数、酸素飽和度、および活動を追跡するウェアラブルは、重要なデータを供給し、タイムリーな臨床介入を支援し、患者の結果を改善する。
スマートIoMT環境では、コネクテッドデバイスは限られた計算能力、メモリ、レイテンシの制約の下で動作するため、軽量CNNが不可欠である。
そこで本研究では,IoMTをベースとしたSMART急性リンパ性白血病検出・管理システムのための,説明可能な人工知能(XAI)を統合した軽量CNNであるLukeNetを提案する。
DenseNet121、MobileNet、ResNet50、InceptionV3、Xception、VGG16の3つのALLデータセットと5倍のクロスバリデーションでトレーニングされたLukeNetは、99%のモデル精度と99%の未確認テスト精度を達成し、DenseNet121、MobileNet、ResNet50、InceptionV3、Xception、VGG16といった6つの最先端(SOTA)CNNよりも高い精度を達成した。
さらに、LukeNetは2つのアンサンブルモデルと比較された。
さらに、説明可能なAI手法が統合され、顕微鏡画像の関連領域が強調される。
この研究の斬新さは、奥行き分離可能な畳み込みを用いてモデル深度と計算効率のバランスを保ち、より深い層での勾配損失のリスクを軽減し、強力なグローバルおよび局所的特徴抽出機能を提供するLukeNetのアーキテクチャにある。
関連論文リスト
- Design and Validation of a Lightweight 1D CNN for Affective Touch Classification in Soft Plush Companions [59.49967357689445]
ソフトなセンサー付きコンパニオンは、社会的支援技術のための物理的に安全で感情的に直感的なインターフェースを提供する。
本研究では,ソフト・インタラクティブ・コンパニオンにおける感情的触覚認識のためのディープラーニングモデルの開発と検証を目的とした,オープンソースで拡張されたリアルタイムフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-16T10:20:05Z) - Fracture Detection In X-rays Using Custom Convolutional Neural Network (CNN) And Transfer Learning Models [0.0]
骨骨折は、しばしば痛み、モビリティの低下、生産性の低下をもたらす、世界的な健康上の大きな課題となる。
従来の撮像法は、高コスト、放射線暴露、特殊解釈への依存に悩まされている。
我々は、カスタム畳み込みニューラルネットワーク(CNN)を用いたX線画像の自動破壊検出のためのAIベースのソリューションを開発した。
論文 参考訳（メタデータ） (2025-09-07T22:30:25Z) - Securing Healthcare with Deep Learning: A CNN-Based Model for medical IoT Threat Detection [0.44998333629984877]
インターネット・オブ・メディカル・モノ(IoMT)の医療システムへの統合は、患者のケアを大幅に強化した。
本稿では、IoMT環境におけるサイバー攻撃を検出するために、畳み込みニューラルネットワーク(CNN)に基づく新しいアプローチを提案する。
論文 参考訳（メタデータ） (2024-10-26T14:27:17Z) - L-SFAN: Lightweight Spatially-focused Attention Network for Pain Behavior Detection [44.016805074560295]
慢性的な腰痛 (CLBP) は世界中の何百万もの患者を悩ませており、個人の健康や医療システムに対する経済的負担に大きな影響を及ぼす。
人工知能(AI)とディープラーニングは、リハビリ戦略を改善するために痛みに関連する行動を分析するための有望な道を提供するが、畳み込みニューラルネットワーク(CNN)を含む現在のモデルには限界がある。
我々は、モーションキャプチャーと表面筋電図センサからデータの空間的時間的相互作用をキャプチャする2Dフィルタを組み込んだ軽量CNNアーキテクチャであるhbox EmoL-SFANを紹介する。
論文 参考訳（メタデータ） (2024-06-07T12:01:37Z) - Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。
管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
論文 参考訳（メタデータ） (2024-01-11T19:07:58Z) - Explainable Cost-Sensitive Deep Neural Networks for Brain Tumor
Detection from Brain MRI Images considering Data Imbalance [0.0]
CNN、ResNet50、InceptionV3、EfficientNetB0、NASNetMobileの5つのモデルを含む自動パイプラインが提案されている。
提案アーキテクチャの性能はバランスの取れたデータセットで評価され、微調整されたInceptionV3モデルに対して99.33%の精度が得られた。
トレーニングプロセスをさらに最適化するために、不均衡なデータセットを扱うために、コストに敏感なニューラルネットワークアプローチが提案されている。
論文 参考訳（メタデータ） (2023-08-01T15:35:06Z) - Building Flyweight FLIM-based CNNs with Adaptive Decoding for Object
Detection [40.97322222472642]
本研究では、ユーザ描画マーカーからオブジェクトを検出するために、畳み込みニューラルネットワーク(CNN)層を構築する方法を提案する。
糞便サンプルの顕微鏡画像におけるSchistosomiasis mansoni卵の検出と,衛星画像における船舶の検出に対処する。
我々のCNNは、SOTAオブジェクト検出器より数千倍も小さく、CPU実行に適している。
論文 参考訳（メタデータ） (2023-06-26T16:48:20Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳（メタデータ） (2020-01-10T05:29:17Z)
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。