子宮頸がんの早期スクリーニングに用いられるThinPrep Cytologic Test（TCT）は、その診断を現在も多くの場合、細胞病理学者による目視判定に依存しています。しかし手作業による読影は時間がかかるうえ、診断者によって結果にばらつきが生じるという課題を抱えています。既存のAI検出モデルも実際の臨床現場での性能は十分ではなく、大きく2つの制約によって制限されています。一つはTCTスライド上における細胞集団の空間分布が不均衡であることであり、もう一つは病理学者による専門的な注釈付けに依存した高品質の学習データが限定的であることです。 これらの課題を解決するため、研究チームは細胞分布の正規化（C-Norm）という新しい手法を提案しました。この方法は、元のTCT画像から異常細胞と正常細胞を分離し、それらを再合成することで、細胞集団の均一な分布を確保します。これにより分布の偏りによって生じる汎化性能の低下を軽減することができます。 この基礎の上に、研究チームはYOLOv12フレームワークとDINOv3モジュールを統合したハイブリッドアーキテクチャを構築しました。このアーキテクチャはYOLOモデルの高度な検出能力とDINOv3の優れた特徴表現能力を活かし、TCT画像の精密認識に不可欠な微細な形態学的特性を捉えることができます。 広範な実験を通じて、提案手法は最先端の性能を達成し、主流の検出アルゴリズムを大幅に上回ることが実証されました。完全な実装はGitHubで公開されており、医療分野でのAI活用を加速させる重要な成果として期待されています。