論文の概要: Interpretable Deep Learning Models for Breast Cancer Diagnosis Using Medical Imaging

• arxiv url: http://arxiv.org/abs/2610.37026v1
• Date: Tue, 27 Oct 2026 11:01:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.57299
• Title: Interpretable Deep Learning Models for Breast Cancer Diagnosis Using Medical Imaging
• Title（参考訳）: 医療画像を用いた乳がん診断のための解釈可能な深層学習モデル
• Abstract要約: 深層学習は乳がんの診断に有効であるが、解釈可能性の制限は臨床応用を妨げる。 我々は,良性逆性分類のためのイメージネット事前学習モデルのベンチマークを行った。 DenseNet121は99.4%の精度で、AUC-ROCは0.999である。
• 参考スコア（独自算出の注目度）: 0.10262304700896197
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning shows promise for breast cancer diagnosis, but limited interpretability hinders clinical adoption. We benchmark ten ImageNet-pretrained models (ResNet50, VGG19, InceptionV3, DenseNet121, Xception, MobileNetV2, EfficientNet, ConvNeXt, ViT, and Swin Transformer) for benign-versus-malignant classification on the BreakHis histopathology dataset using a patient-level split, and explain their predictions with Grad-CAM, LIME, Integrated Gradients, and LRP. DenseNet121 performed best, with 99.4% test accuracy and an AUC-ROC of 0.999, and significantly outperformed all other models (p < 0.001). Transformer-based models trailed the CNNs. The explanations consistently highlighted nuclei-rich and glandular regions of diagnostic relevance. Combining transfer learning with explainable AI can thus yield accurate, interpretable tools for breast cancer diagnosis.
• Abstract（参考訳）: 深層学習は乳がんの診断を約束するが、解釈可能性の制限は臨床応用を妨げる。 ImageNet-pretrained model (ResNet50, VGG19, InceptionV3, DenseNet121, Xception, MobileNetV2, EfficientNet, ConvNeXt, ViT, Swin Transformer) を患者レベルスプリットを用いてBreakHisの病理組織学データセット上の良性-悪性分類のためにベンチマークし、Grad-CAM, LIME, Integrated Gradients, LRPでそれらの予測を説明する。 DenseNet121は99.4%の精度と0.999のAUC-ROCで最高の性能を発揮し、他の全てのモデル(p < 0.001)より大幅に性能が向上した。 トランスフォーマーベースのモデルはCNNに追随した。 この説明は、診断関連性の核と腺の領域を一貫して強調した。 これにより、転移学習と説明可能なAIを組み合わせることで、乳がんの診断のための正確で解釈可能なツールが得られる。

関連論文リスト

• A Machine Vision Approach to Preliminary Skin Lesion Assessments [0.0]
  本研究は,皮膚内視鏡のABCD規則と機械学習の分類を併用した皮膚病変予備評価システムについて検討した。 ストクラッチからトレーニングされたカスタム3層畳み込みニューラルネットワーク(CNN)は78.5%の精度と86.5%のリコールを達成した。
  論文  参考訳（メタデータ） (2026-01-21T23:48:59Z)
• A Hybrid Deep Learning Framework with Explainable AI for Lung Cancer Classification with DenseNet169 and SVM [0.5416422382471174]
  本研究では, 深層学習に基づく肺がん自動分類システムを提案する。 DenseNet169とSVMモデルは98%の精度を達成した。
  論文  参考訳（メタデータ） (2025-12-03T01:48:56Z)
• A study on Deep Convolutional Neural Networks, transfer learning, and Mnet model for Cervical Cancer Detection [1.057098647974782]
  State-of-the-art (SOTA) Convolutional Neural Networks (CNN) には、かなりの計算リソース、トレーニング時間の拡張、大規模なデータセットが必要である。 本研究では, 頚部癌の診断・分類にPopスミア画像を用いた軽量CNNモデルであるS-Netを開発した。 S-Netは、計算効率と推論時間の観点から、SOTA CNNを著しく上回っている。
  論文  参考訳（メタデータ） (2025-09-17T18:11:09Z)
• Interpretable Prediction of Lymph Node Metastasis in Rectal Cancer MRI Using Variational Autoencoders [0.0]
  本研究では,既存のアプローチで使用されている大規模学習済み畳み込みニューラルネットワーク(CNN)を置き換えるために,機能エンコーダモデルとして変分オートエンコーダ(VAE)を適用することを検討する。 VAEを使用する動機は、生成モデルがイメージを再構成することを目的としているため、データ全体にわたる視覚的特徴や意味のあるパターンを直接エンコードする。 提案したモデル「VAE-MLP」は,AUC 0.86 +/-0.05,感性 0.79 +/-0.06,および特異性を用いて,MRIデータセット上での最先端性能を実現した。
  論文  参考訳（メタデータ） (2025-07-15T18:20:38Z)
• 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)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• Exploration of Interpretability Techniques for Deep COVID-19 Classification using Chest X-ray Images [10.01138352319106]
  5種類のディープラーニングモデル(ResNet18、ResNet34、InceptionV3、InceptionResNetV2、DenseNet161)とそれらのEnsembleは、Chest X-Ray画像を用いて、新型コロナウイルス、肺炎、健康な被験者を分類するために使用されている。 新型コロナウイルスの分類における平均的なMicro-F1スコアは0.66から0.875の範囲で、ネットワークモデルのアンサンブルは0.89である。
  論文  参考訳（メタデータ） (2020-06-03T22:55:53Z)
• An interpretable classifier for high-resolution breast cancer screening images utilizing weakly supervised localization [45.00998416720726]
  医用画像の特徴に対処する枠組みを提案する。 このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。 次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。 最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
  論文  参考訳（メタデータ） (2020-02-13T15:28:42Z)

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。