データ不足環境における狂犬病の診断：データ拡張と転移学習の影響に関する比較研究

arXiv:2604.19823v1 Announce Type: cross 摘要：狂犬病は、正確な診断を有効な疫学監視に不可欠とする、アフリカおよびアジアの多くの国々における重要な公衆衛生上の問題です。金標準の診断手法は蛍光顕微鏡に大きく依存しており、結果を正確に解釈するための専門的な実験室人員のニーズが高まっています。この専門性は、特に年間サンプル数が少ない地域では不足していることが多いです。本研究では、これらの課題に対処するための自動化された AI ドライブ的诊断システムを提案します。我々は、転移学習を用いた蛍光画像解析を介した 4 つのディープラーニングアーキテクチャ（EfficientNetB0, EfficientNetB2, VGG16, Vision Transformer (ViTB16)）を有する堅牢なパイプラインを開発しました。3 つの異なるデータ拡張戦略を評価し、155 枚の顕微鏡画像（123 枚の陽性と 32 枚の陰性）を持つデータセットにおけるモデルの汎化性を向上させました。われわれの結果は、TrivialAugmentWide が重要な蛍光パターンを維持しながらモデルの頑健性を向上させることが最有效果的な拡張技法であることを示しています。幾何学的・カラー拡張を利用し、重なりのある 3 分割交差検証を通過した EfficientNetB0 モデルは、クロップ画像において最適な分類性能を達成しました。クラス的不平衡とデータの規模の限界にもかかわらず、この研究はディープラーニングによる狂犬病診断の自動化の可能性を確認しました。提案された方法は、高速で信頼性の高い検出を可能にし、さらなる最適化の可能性を秘めています。オンラインツールがデプロイされ、実践的なアクセスを促進する枠組みが確立されました。この研究は、最適化されたディープラーニングモデルが狂犬病診断を変革し、公衆衛生成果を向上させる潜在的な力を強調しています。

arXiv:2604.19823v1 Announce Type: cross Abstract: Rabies remains a major public health concern across many African and Asian countries, where accurate diagnosis is critical for effective epidemiological surveillance. The gold standard diagnostic methods rely heavily on fluorescence microscopy, necessitating skilled laboratory personnel for the accurate interpretation of results. Such expertise is often scarce, particularly in regions with low annual sample volumes. This paper presents an automated, AI-driven diagnostic system designed to address these challenges. We developed a robust pipeline utilizing fluorescent image analysis through transfer learning with four deep learning architectures: EfficientNetB0, EfficientNetB2, VGG16, and Vision Transformer (ViTB16). Three distinct data augmentation strategies were evaluated to enhance model generalization on a dataset of 155 microscopic images (123 positive and 32 negative). Our results demonstrate that TrivialAugmentWide was the most effective augmentation technique, as it preserved critical fluorescent patterns while improving model robustness. The EfficientNetB0 model, utilizing Geometric & Color augmentation and selected through stratified 3fold cross-validation, achieved optimal classification performance on cropped images. Despite constraints posed by class imbalance and a limited dataset size, this work confirms the viability of deep learning for automating rabies diagnosis. The proposed method enables fast and reliable detection with significant potential for further optimization. An online tool was deployed to facilitate practical access, establishing a framework for future medical imaging applications. This research underscores the potential of optimized deep learning models to transform rabies diagnostics and improve public health outcomes.