背景と目的子宮頸がんは、女性の死亡原因の一つとして挙げられる主要な疾患の一つである。他のいかなる疾患と同様、子宮頸がんの早期発見および最適な医療アドバイスに基づく早期治療が、この疾患に感染した際の合併症を最小限に抑えるために最も重要なステップである。パップスメア画像（PaP smear images）は、このようながんの検出において最も有効な手法の一つである。本稿では、深層学習モデルを用いたファジィ距離に基づくアンサンブル手法を提案し、PaPスメア画像における子宮頸がんの検出を実現することを目的としている。方法本研究では、転移学習を活用した3つのモデル——Inception V3、MobileNet V2、およびInception ResNet V2——を用い、データ固有の特徴を学習可能な追加層を導入している。これらのモデルの出力を統合するため、観測値と真値（ground-truth）の誤差値を最小化することを目的とした新しいアンサンブル手法を提案する。複数の予測値を持つサンプルに対しては、各クラスについて、最適な解からの距離測度として、ユークリッド距離、マンハッタン距離（シティブロック距離）、およびコサイン距離を用いる。その後、これらの距離測度を積の法則（product rule）を用いてデファジィ化（defuzzification）し、最終的な予測を算出する。結果実験結果において、Inception V3、MobileNet V2、Inception ResNet V2を個別に運用した場合、それぞれ95.30%、93.92%、96.44%の精度を達成した。一方、提案するアンサンブル手法を適用した後、精度は96.96%まで向上し、個々のモデルの性能を上回った。結論公開されている3つのデータセットを用いた実験結果から、提案モデルが最先端の手法と比較しても競争力のある性能を示すことが確認された。本手法は、PaPスメア画像から子宮頸がんを検出するエンド・トゥ・エンドの分類技術を提供するものであり、医療従事者によるより適切な治療支援につながり、全体的な検査プロセスの効率性を向上させると期待される。本研究のソースコードは、GitHub（github.com/rishavpramanik/CervicalFuzzyDistanceEnsemble）にて公開されている。