ヒストロパトロジカル画像における浸透性管道がんの早期発見のためのディープラーニング: 転移学習による収縮性ニューラルネットワークアプローチ
Naga Shreya Chilumukuru1, Pragya Priyadarshini1, Yawo Ezunkpe2
1College of Science, San Jose State University, San Jose, CA, United States.
JMIR formative research
|August 21, 2025
まとめ
この研究では, histopathology 画像における侵襲性管道性がん (IDC) の早期検出のためのコンボリューション性ニューラルネットワーク (CNN) が開発されました. AIモデルは90%の精度を達成し 乳がんの早期診断に 信頼できるツールを提供しました
科学分野:
- 医療用イメージング
- 人工知能
- コンピューター病理学
背景:
- 浸透性管内がん (IDC) は最も一般的な乳がんサブタイプで,世界的な死亡率に大きく貢献しています.
- IDCの早期発見は,患者のアウトカムと生存率の改善に不可欠です.
- 手動検査は時間のかかる,主観的で誤りやすいので,自動化された解決が必要である.
研究 の 目的:
- 組織病理学的画像における自動IDC検出のためのコンボリューションニューラルネットワーク (CNN) モデルを開発し,検証する.
- 早期乳がん診断の伝統的な診断方法と比較してCNNモデルのパフォーマンスを評価する.
- このAIツールのオープンソースのアプリケーションを,特に発展途上地域での実務者向けに提供すること.
主な方法:
- 大多数のIDC陽性で277,524の公共の組織病理画像のデータセットを使用した.
- 体重損失関数を使用してクラスの不均衡を解決し,事前に訓練されたビジュアルジオメトリグループ (VGG) アーキテクチャで転送学習を使用しました.
- 画像を処理し,標準化し,データの拡張を施し,データを80%のトレーニングセットと20%のテストセットに分けました.
主要な成果:
- ベースCNNモデルは89%の精度を達成しましたが,加重損失関数は精度を86%にわずかに低下させました.
- データ増強はパフォーマンス改善をもたらさなかった.
- テストセットで90%の精度を得ました.
結論:
- 開発されたCNNベースのモデルは,組織病理学的画像からIDCの早期検出の正確性と信頼性を実証しています.
- このAIツールは 病理学者の効率的なアシスタントとなり 乳がんの早期診断や 臨床結果の改善に役立ちます
- 更に研究が進められれば モデルの性能を改良し 臨床的有用性を高めるために 他の診断技術と統合できるようになるでしょう
