子宮頸がん細胞学におけるハイブリッド特徴融合:放射線学,深層学習,再現性を用いた病変検出と分類のための新しい二重モジュールアプローチの枠組み
Shurong Niu1, Lili Zhang1, Lina Wang1
1Department of Obstetrics and Gynecology, Shanxi Medical University Second Hospital, Taiyuan, China.
Frontiers in oncology
|September 3, 2025
まとめ
この研究は,子宮頸がんの自動検診のためのAIフレームワークを導入し,病変の検出と分類の精度を大幅に改善します. AIモデルは高度な汎用性を示し,早期がん検知のためのスケーラブルなソリューションを提供します.
科学分野:
- 医学画像分析
- コンピューター病理学
- 医療における人工知能
背景:
- 子宮頸がんのスクリーニングは 手動細胞鑑定に依拠しており 作業が多く 変化が起こりやすいものです
- 細胞学的診断の正確性と効率性を向上させるために,自動化された分析が必要である.
研究 の 目的:
- 子宮頸がんの自動検診のための ディープラーニングベースの枠組みを開発し,検証する.
- 統合された病変検出,特徴抽出,分類を通じて細胞学的診断の正確性と効率性を高める.
主な方法:
- 6つの診断クラスで 4,236個の子宮頸細胞検体のデータセットを使用した.
- 病変検出のためにディープラーニングモデル (Swin Transformer,YOLOv11,Faster R-CNN,DETR) を採用した.
- XGBoost,ランダムフォレスト,CatBoost,TabNet,およびTabTransformerを使用して分類するために,Radiomicsとディープラーニング機能を抽出し,次元縮小で最適化しました.
- エンドツーエンドの分類モデルをEfficientNetを使って評価し, 3,619個のサンプルで外部で検証した.
主要な成果:
- スウィン・トランスフォーマーでは,最も高い病変検知率 (mAP) (0.94 外部) を達成した.
- タブトランスフォーマーとのハイブリッド機能融合により,優れた分類が得られた (94. 6%の試験精度, 95. 9%のAUC).
- 外部検証により,高い汎用性 (92. 8% の精度, 95. 1% のAUC) が確認された.
結論:
- AIフレームワークは,優れた病変検出,機能融合分類,自動化された子宮頸がんスクリーニングの汎用性を提供します.
- このスケーラブルなソリューションは 癌の早期発見を促進します
- 将来の作業には,説明可能なAI,リアルタイム展開,大規模な臨床検証が含まれています.
