結集性ニューラルネットワークと生成的敵対ネットワークを使用して,良性,悪性,および境界性卵巣腫瘍を分類するためのディープラーニングアプローチ
Maria Giourga1, Ioannis Petropoulos2, Sofoklis Stavros3
1First Department of Obstetrics and Gynecology, Alexandra Hospital, Medical School, National and Kapodistrian University of Athens, 11528 Athens, Greece.
Medical sciences (Basel, Switzerland)
|February 20, 2026
まとめ
強化されたディープラーニングモデルであるGenerative Adversarial Networks (GANs) は,超音波画像を使用して,ボーダーライン卵巣腫瘍 (BOT) を含む卵巣質量を正確に分類することができます. このAIアプローチは,診断の正確性を向上させ,手術前評価をサポートします.
科学分野:
- メディカルイマージング (医学イメージング)
- 人工知能 (AI) とは,人工知能 (AI) のことです.
- 腫瘍学 腫瘍学
背景:
- 卵巣質量の正確な術前特徴化は,患者の管理に不可欠です.
- 境界性卵巣腫瘍 (BOT) は,その希少性と超音波の曖昧さのために診断上の課題を提示します.
- 専門の超音波専門医の限られた可用性は,高度な診断ツールを必要とします.
研究 の 目的:
- 卵巣質量の差別を改善するために,コンボリューションニューラルネットワーク (CNN) とジェネラティブアドバサリアルネットワーク (GAN) を使用したAI分類器を開発する.
- 超音波画像から良性,悪性,および境界性卵巣腫瘍 (BOT) の分類を強化する.
- BOT.T.のような希少疾患のためのディープラーニングモデルで,クラス不均衡の問題に対処する.
主な方法:
- 636個の卵巣質量 (良性,悪性,BOT) の3816の超音波画像を遡及的に分析した.
- 2000の合成BOT画像を生成することによってデータ増強のためにDeep Convolutional GAN (DCGAN) を利用しました.
- VGG16,ResNet50,InceptionNetV3アーキテクチャを統合した3クラスのアンサンブルCNNモデルを開発しました.
主要な成果:
- DCGANの拡張により,BOTの分類性能が大幅に改善され,F1スコアは68.4%から86.5%に上昇しました.
- 総合的な分類精度は,DCGAN統合により84.7%から91.5%に上昇しました.
- 最終的なモデルは,高感度 (88.2%) と高特異性 (85.1%) をBOT識別で達成し,AUCはクラス全体で0.91から0.96までであった.
結論:
- DCGANベースのデータ増強は,BOT.のような稀な状態のデータセットの制限を効果的に克服します.
- 強化されたCNNモデルは,手術前の卵巣質量評価のための意思決定支援ツールとしての大きな可能性を示しています.
- AI駆動のアプローチは,困難な婦人科超音波症例の診断精度を向上させることができます.