早期胎児リスク層別化のための自動胎児後頸部浮腫(NT)測定

胎児の健康状態を正常、疑い、病的の3カテゴリーに分類するため、心音図(CTG)由来の臨床的特徴量を用いた機械学習ベースのフレームワークが開発された。データセットは、重複除去、正規化、SMOTEENNによるクラスバランス調整、VIFによる多重共線性解析、Kruskal–Wallis統計的特徴量選択を経て前処理された。11種類の機械学習・ニューラルネットワークモデルが訓練・比較され、LightGBMが96.03%の精度、91.99%のバランス精度、93.05%のマクロF1スコア、99.02%のROC-AUC、88.91%のCohen's Kappa、89.01%のMCCで最高の全体的パフォーマン…

子宮頸がんの早期発見と予防に不可欠な子宮頸部細胞診画像の高精度分類のため、新しい深層学習アーキテクチャが提案された。このアプローチは、細胞病理画像に特化したデータ拡張パイプライン、マルチスケール細胞特徴を捉える形態アテンションモジュール(MAM)、核周辺空間情報をエンコードする空間チャネルミキサー(SCM)を統合している。SIPaKMeDデータセット(5クラス)で99.06%、Mendeley LBCデータセットで98.55%という最先端の精度を達成し、従来のCNNアーキテクチャと比較してエラー率を最大82.5%、最近のVision Transformerアプローチと比較して61.8%削減し…

• 骨粗鬆症・骨疾患予測に関する2020年1月〜2026年6月30日発表の58件の研究を統合した系統的レビューが公表された。
• ディープラーニングがAUC 0.82–0.96の高い予測精度を達成し、XAIが臨床的解釈可能性を、生成モデルがデータ不足を補い、マルチモーダル学習が画像と臨床データの統合で性能を向上させた。
• 外部検証の限界、後向きデータへの依存、一般化可能性の低さ、規制準備の不足が実用化上の課題として残っている。

本研究では、CT画像とGANベースの拡張を用いた説明可能な肺がん分類のためのGenAI駆動型CNN–RNNフレームワークを提案する。このフレームワークは、空間特徴抽出のための畳み込みニューラルネットワーク、逐次依存性分析のためのLSTMベースのリカレント学習、少数クラスの表現を改善するためのGAN支援拡張、および分類性能向上のための注意機構ガイド付き特徴融合を統合している。公開されているIQ-OTH/NCCD肺がんCT画像データセットを使用して実験評価が行われた。Adamオプティマイザと50エポックで学習され、5分割交差検証で評価された結果、提案フレームワークは精度92.84%、適合率91.…

医療画像セグメンテーションは、AIによる臨床実践の基盤となるが、既存の手法はクラス間の意味的関係性を活用できていない。本研究では、ラベルの階層構造を利用した2つのツリーベースの意味損失関数を提案する。さらに、これらの損失関数を、疎なアノテーションを用いた学習アプローチに組み込むことで、適用範囲を拡大する。頭部MRIを用いた全脳分画タスク(完全教師あり)と、神経外科用ハイパースペクトルイメージングを用いたシーン理解タスク(疎アノテーション)の2つのタスクで広範な実験を行った。結果として、全脳分画ではWassersteinベースの複合損失が、疎なハイパースペクトルイメージングでは階層重み付けトッ…