核心概念
医療画像解析のためのディープラーニングモデルは、データバイアスを利用して高い性能を達成するが、一般化性能が低い。本研究では、多重インスタンス学習(MIL)フレームワークを使用して、画像の一部のパッチのみを使用して診断を行うことで、モデルの堅牢性と説明可能性を向上させる。
摘要
本研究では、CNNとビジョントランスフォーマーをベースとしたMILフレームワークを提案している。入力画像をパッチに分割し、各パッチを個別に処理することで、重要な領域のみを使用して診断を行う。
実験では、皮膚がんと乳がんの診断タスクを対象とした。結果、MILモデルはベースラインと同等の性能を達成しつつ、データシフトに対してより頑健であることが示された。また、MILモデルが特定した重要パッチは、医療的に意味のある領域に対応していることが確認された。
これにより、MILフレームワークは医療画像解析において、より説明可能で効率的で公平なシステムを実現する可能性が示された。今後の課題は、特定された重要パッチと医療概念との関係性の検証や、モデルパフォーマンスの向上などである。
統計資料
皮膚がん診断では、MILモデルがベースラインと同等の性能を達成しつつ、HIBA dataset上で3.6%のバランス精度の向上を示した。
乳がん診断では、MILモデルがベースラインと同等の性能を示した。
引述
"医療画像解析のためのディープラーニングモデルは、データバイアスを利用して高い性能を達成するが、一般化性能が低い。"
"MILフレームワークは医療画像解析において、より説明可能で効率的で公平なシステムを実現する可能性が示された。"