論文の概要: Deep Learning for Cervical Cytology Screening: Methods, Algorithms, Challenges and Prospects

• arxiv url: http://arxiv.org/abs/2611.01730v1
• Date: Sun, 01 Nov 2026 09:26:01 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:56:13.359908
• Title: Deep Learning for Cervical Cytology Screening: Methods, Algorithms, Challenges and Prospects
• Title（参考訳）: 頸部細胞診の深層学習 : 方法・アルゴリズム・課題・展望
• Abstract要約: 子宮頸癌は依然として女性の間でがん死の主要な原因であり、低所得国や中所得国では90%以上が死亡している。 ディープラーニングにより、自動スクリーニングはますます実現可能になったが、文学はセル、パッチ、スライダー画像全体にわたって断片化されている。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Cervical cancer remains a leading cause of cancer death among women, with more than 90\% of deaths occurring in low- and middle-income countries, where cytology screening is constrained by a shortage of trained cytopathologists. Deep learning has made automated cytology screening increasingly feasible, but the literature is fragmented across cell, patch and whole-slide-image scales, task formulations and supervision regimes, hindering comparison and clinical translation. This Review synthesizes the deep learning literature for cervical cytology screening, organizing the field along three axes---data scale, functional task and supervision---and distinguishing two clinical roadmaps: whole-slide-image confidence aggregation and cell-level detection with Bethesda classification. We examine 16 publicly available or publicly documented cytology datasets alongside the CAISHI histopathology dataset, compare quantitative performance while exposing incomparable metrics and data leakage, and assess commercial systems, regulatory status, HPV-era screening pathways and low-resource deployment. Single-cell accuracy on Herlev and SIPaKMeD has plateaued, but this reflects benchmark saturation rather than clinical readiness; prospective and randomized evidence is emerging but remains limited. We consolidate the evidence into five challenge areas---data and benchmarks, architecture and label-efficient learning, trustworthy AI, clinical translation and health economics, and evaluation and reproducibility---and provide an evidence-to-agenda map and a deployment decision matrix. Progress now depends on multi-center benchmarks, externally validated label-efficient methods, calibrated and fair predictions, and pragmatic clinical trials rather than further gains on saturated single-cell benchmarks.
• Abstract（参考訳）: 低所得国や中所得国では、細胞診検査が専門の細胞病理学者が不足しているため、9割以上が死亡している。 深層学習により、細胞診の自動化はますます実現可能になっているが、文献は細胞、パッチ、全体スライディングイメージスケール、タスクの定式化と監督体制、比較と臨床翻訳の妨げとなっている。 本総説では, 頚部細胞診検診における深層学習の文献を整理し, データの尺度, 機能的タスク, 監督の3つの軸に沿ってフィールドを整理し, 臨床ロードマップを整理する。 筆者らは,CAishiの病理組織学的データセットとともに,公開あるいは公開の16の細胞診データセットについて検討し,非互換性なメトリクスとデータ漏洩を露呈しながら定量的な性能を比較し,商用システム,規制状況,HPV時代のスクリーニング経路,低リソース展開を評価した。 HerlevとSIPaKMeDの単細胞精度は高いが、これは臨床準備よりもベンチマーク飽和を反映している。 データとベンチマーク、アーキテクチャとラベル効率の学習、信頼できるAI、臨床翻訳と健康経済学、評価と再現性という5つの課題領域にエビデンスを集約し、エビデンスからアジェンダマップとデプロイメント決定マトリックスを提供する。 現在、進歩は、飽和シングルセルベンチマークよりも、マルチセンターベンチマーク、外部で検証されたラベル効率の手法、校正と公正な予測、実用的な臨床試験に依存している。

関連論文リスト

• Tensor-based Fusion of Multi-modal Data for Predicting Cancer Risk Levels [1.4864215337483795]
  本稿では,がんリスク予測を改善するために,特徴抽出,テンソル分解,クラスタリングを統合した教師なし機械学習フレームワークを提案する。 このフレームワークは、32種類の癌で11,158人の患者からなるLinkedOmicsデータに基づいて検証されている。
  論文  参考訳（メタデータ） (2026-10-09T08:37:53Z)
• Artificial Intelligence Across the Cardiac Amyloidosis Diagnostic Pathway: From Single-Modality Detection to Multimodal Clinical Integration [4.135101075562519]
  心アミロイドーシス (CA) はますます認識されるが, ほとんど診断されていない。 機械学習とディープラーニングは、診断と管理の経路を越えて適用されている。
  論文  参考訳（メタデータ） (2026-07-10T20:02:50Z)
• Beyond Scalar Scores: Exploring LLM-based Metrics for Clinical Significance Evaluation in Radiology Reports [49.5225801722164]
  既存のメトリクスは、医学的に根拠のないスカラーにレポートの品質を低下させることによって、この要件を曖昧にしている。 テストベッドとしてReEvalMedベンチマークを用いて,この境界について検討し,計量レベルの臨床的意義を評価する。
  論文  参考訳（メタデータ） (2026-06-17T08:10:30Z)
• GazeVaLM: A Multi-Observer Eye-Tracking Benchmark for Evaluating Clinical Realism in AI-Generated X-Rays [11.033599265511851]
  本稿では,胸部X線画像の信頼性評価における臨床的知覚を研究するための,パブリックアイトラッキングデータセットであるGazeVaLMを紹介する。 このデータセットは、30のリアルと30の合成胸部X線を解釈する16人の専門放射線学者による960の視線記録で構成されている。 画像とサーバのペアごとに、生の視線サンプル、固定マップ、スキャンパス、塩分密度マップ、構造化診断ラベル、認証判定を提供する。
  論文  参考訳（メタデータ） (2026-04-13T16:05:45Z)
• AI Assisted Cervical Cancer Screening for Cytology Samples in Developing Countries [0.18472148461613155]
  頸部がんは依然として重大な健康上の問題であり、高い死亡率と死亡率がある。 従来の液体ベース細胞学(LBC)は、労働集約的なプロセスであり、専門家の病理医を必要とし、エラーを生じやすい。 本稿では, 低コストな生体顕微鏡と, 簡易かつ効率的なAIアルゴリズムを統合し, 自動全すべり解析を行う革新的な手法を提案する。
  論文  参考訳（メタデータ） (2025-04-29T05:18:59Z)
• Large-scale cervical precancerous screening via AI-assisted cytology whole slide image analysis [11.148919818020495]
  頸部がんは婦人科における主要な悪性腫瘍であり続けており、世界規模で女性の健康に永続的な脅威をもたらしている。 Whole Slide Image (WSI) による早期スクリーニングは、このがんの進行を予防し、生存率を向上させるために重要である。 しかし、病理学者の単体検査は、WSI内でレビューする必要がある膨大な数の細胞のために、必然的に偽陰性に悩まされる。
  論文  参考訳（メタデータ） (2024-07-28T15:29:07Z)
• Multimodal Pretraining of Medical Time Series and Notes [45.89025874396911]
  ディープラーニングモデルは、意味のあるパターンを抽出する際の約束を示すが、広範囲なラベル付きデータが必要である。 本稿では,臨床測定値とノートのアライメントに着目し,自己指導型事前学習を用いた新しいアプローチを提案する。 病院内での死亡予測や表現型化などの下流タスクでは、データのごく一部がラベル付けされた設定において、ベースラインよりも優れています。
  論文  参考訳（メタデータ） (2023-12-11T21:53:40Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• 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)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。