肺がんおよび大腸がんの組織病理画像の分類強化のための効率的なNetB7ベースのディープラーニングフレームワーク

Summary

ここでは、肺がんおよび大腸がんの組織病理画像を正確に分類するためのEfficientNetB7モデルを用いた深層学習システムを導入します。前処理、データ増強、転移学習の適用により、モデルの精度は96%に達しました。この方法は臨床がん診断の支援に高い可能性を持っています。

Abstract

肺がんの早期診断は、患者の治療と生存率の向上に重要な役割を果たします。これは臨床研究における主要な焦点となっています。人工知能(AI)は診断の正確性と効率を大幅に向上させ、病理学を変革しました。本研究は、事前学習済みのEfficientNetB7モデルという堅牢な深層学習モデルを提示し、大腸および肺組織の組織病理学的画像を96%という非常に高い精度で分類します。モデルの性能は、高度な前処理手法、ファインチューニング、ドメイン固有のデータ拡張技術を用いて最適化されました。これらの戦略は、クラスの不均衡や微妙な組織学的変異などの問題を減らすのに役立ちます。過学習の問題に対処するため、複数のデータ拡張技術を組み合わせ、早期停止基準が組み込まれました。このアプローチにより、効率的かつコスト効率の高い訓練が可能となりました。モデルの堅牢な検証は臨床応用における高い有用性を示し、病理医がタイムリーかつ正確な診断を提供できるようにします。高度なディープラーニングモデルを医療画像ワークフローに統合することは、早期かつ正確ながん診断に大きな期待を秘め、最終的には患者の治療結果の向上につながります。

Introduction

肺がんと大腸がんは、死亡率の観点から世界で最も多く見られるがんの一つです。肺がんは年間180万人以上の死亡を伴う主要な致命的ながんであり、世界的な健康統計によると、大腸がんが第3位に多い悪性腫瘍、そしてがん死亡率の第2位に多い原因となっています。正確かつ早期の診断は、これらのがんの効果的な治療と生存率向上のために非常に重要です。組織病理学的検査、すなわち病理医による組織サンプルの顕微鏡的評価は^、がんを検出する最も一般的な方法の一つです。図1は複数の肺および大腸組織の組織病理学的画像を示しています^。

図1:データセットからのサンプル画像。 この図はLC25000データセット内の各クラスの代表例を示し、良性および悪性肺および大腸組織画像の視覚的多様性を強調しています。 この図の拡大版はこちらをクリックしてご覧ください。

デジタル病理学は、組織学スライドのデジタル化を可能にし、現在では高度なディープラーニングアルゴリズムを用いて診断できるようにし、業界を変革しました^。3.ディープラーニングモデルと組み合わせることで、アルゴリズムは大規模なデータの中の微妙なパターンを認識するのに優れており、診断の正確性と効率を大幅に向上させます。 表1は 各組織クラスの記述を示しています。

クラス名	概要
肺良性組織	肺の非がん組織で、がん性の増殖には関与していません。
肺腺癌	腺上皮組織から発生する肺がんの一種で、悪性の増殖パターンで知られています。
肺扁平上皮癌	気道を覆う扁平状細胞から生じる特定の細胞形態によって特徴づけられる肺がんの一種です。
大腸腺癌	大腸がんのほとんどの発生は、大腸内膜の分泌細胞から始まる一般的な大腸がんによって引き起こされます。
大腸良性組織	がん性や前がん状態の兆候が見られない大腸の健康な組織。

表1:データセット内の5つの組織およびがんクラスの概要、クラス名、特徴、各クラスの画像数を含む。

EfficientNetB7は最先端の畳み込みニューラルネットワークアーキテクチャであり、深さ、幅、解像度のバランスの取れたスケーリングにより、画像分類タスクに特に効果的であると認識されています。ResNetやDenseNetなど広く使われているアーキテクチャと比較して、EfficientNetB7は複合スケーリングを通じて分類精度と計算効率のバランスが優れており、ネットワークの深さ、幅、解像度を比例的にスケールします。ResNetおよびDenseNetは医療画像分類タスクで堅牢な性能を示してきましたが、同等の精度を得るには通常、より多くのパラメータ数と計算資源を必要とし、資源制約の臨床環境での大規模な組織病理解析により適しています⁴。EfficientNetB7のようなAIツールを含む高度な計算モデルの応用は、従来の診断課題を克服する新たな可能性をもたらし、病理医を支援し、診断結果の向上につながるツールを提供します。AIを病理学実践に統合することで、質の高い診断サービスへのアクセスが民主化され、医療の専門知識が限られた地域でも高度な診断を行うことが可能になるでしょう。

最近のベンチマーク研究や医療画像解析における包括的なレビューは、組織病理学におけるディープラーニングアーキテクチャの影響力の拡大を一貫して強調しています^。大規模な解析により、畳み込みニューラルネットワークおよびその現代の変種は、複数の組織タイプにわたる微妙な形態的特徴を識別する最先端の性能を提供し、従来の診断手法をしばしば凌駕していることが示されています。比較評価では、EfficientNetやその他のスケーラブルモデルを含む先進的なアーキテクチャは、優れた分類精度を達成するだけでなく、計算効率の向上も示していることが示されています⁶。さらに、デジタル病理学の系統的レビューは、再現性の可能化、観察者間の変動の低減、自動化されたパイプラインとの統合を可能にすることで、日常診断における革命的な役割を強調しています。これらの総合的な発見は、組織病理学的がん分類に高度なディープラーニングモデルを採用することの重要性を裏付け、クラスの不均衡、組織学的多様性、専門病理医の限られた利用率といった臨床的課題に対応できるスケーラブルかつ効率的なアーキテクチャの適用が強力な証拠となっています。

本研究の目的は、(i) EfficientNetB7アーキテクチャに基づく肺がんおよび大腸がん組織病理画像の分類のためのディープラーニングモデルの作成と評価、(ii) モデルが従来の診断手法を超える可能性のある高い分類精度を達成する能力を示すこと;(iii) ドメイン特有の文脈におけるデータ拡張、前処理技術、転移学習がモデルのパフォーマンスに与える影響を探ること。

本研究は、EfficientNetB7による組織病理画像の高い診断精度を示すだけでなく、クラスの不均衡や過学習といった主要な課題にも、ターゲットデータの拡張、堅牢な検証戦略、早期停止技術を通じて厳密に対処しています。この手法は、大規模で拡張されたデータセットを活用し、臨床的に関連した指標でモデルのパフォーマンスをベンチマークすることで、実際の臨床現場を反映するよう特別に設計されています。ワークフローの自動化と効率性により、デジタル病理検査室への統合に実用的であり、病理医の生産性向上、診断の一貫性向上、資源有限の臨床環境の両方で専門家レベルの分析への幅広いアクセスを可能にする可能性があります。

医療画像のためのディープラーニングが著しい進歩を遂げたにもかかわらず、肺がんおよび大腸がんの組織病理画像の分類にはいくつかの課題が残っています⁷.現在のモデルは、一部のがんがデータセット内で過小代表され、偏った予測を生み出すクラスの不均衡に対処するのに失敗する傾向があります。さらに、腺癌や肺扁平上皮癌のようながんのサブタイプ間の微妙な組織学的差異も、適切な分類に大きな課題をもたらします。これまでの研究の多くは単一がん分類や限られた小規模データセットで行われており、臨床現場での広範な適用性と有用性は難しかったです。従来の手法は計算効率が低いため、大規模データやリアルタイム^{臨床アプリケーションには}あまり好ましくありません8。

本研究は、EfficientNetB7アーキテクチャを活用し、スケーラビリティと効果が証明された最先端のディープラーニングモデルを活用することで、これらのギャップを埋めています。ランダムなズーム、フリップ、回転、シフトは高度なデータ拡張手法として用いられ、異なる組織病理学的パターンに対するモデルの堅牢性と一般化能力を最大化します。また、転移学習は事前学習済みのEfficientNetB7モデルを微調整し、肺がんおよび大腸がんデータセットに特化した学習と適応が可能になり、訓練時間と^{計算コストを}最小限に抑えるためにも用いられています。グローバル平均プーリングと早期停止の活用は、良好な訓練と過学習回避の性能向上にもつながります。

特にがん診断における医療画像への深層学習の応用は、ここ数年で大きな進展を遂げています。肺がんおよび大腸がんの従来の診断は主に組織病理学的検査に依存しており、病理医は顕^微鏡で組織サンプルを検査します。効果的ではありますが、労力がかかり、観察者間で変動が起こりやすく、特に資源が乏しい環境では専門病理医の供給が限られているため、通常は制限されます。これらの制約により、コンピュータ化されたAIや深層学習ベースの診断システムの開発が進みました。

ディープラーニングモデル、特に畳み込みニューラルネットワーク(CNN)は、組織病理標本の画像解析において非常に成功を収め^{ています。}特に複雑なパターンや微妙な組織形態の変化を特定するのが得意で、がん分類に適した課題です。進展があるにもかかわらず、クラスの不均衡、多データセットシナリオでの一般化の制限、現在のアプローチには高い計算コストといった欠点が残っています。例えば、ほとんどの研究は単一がん分類に取り組んでおり、その使用は複数のがん診断シナリオに限定されています。また、前処理やデータ拡張技術が不十分であるため、特に小規模または不均衡なデータセットのシナリオでは過学習に起こりやすいです。

最近の転移学習の進展により、ImageNetのような大規模データセット上の事前学習モデルを活用することで、これらの制約を部分的に克服しています。EfficientNet、ResNet、DenseNetは、限られた^{訓練データから}高度な特徴を学習できるため、医療画像解析で注目を集めているモデルです。EfficientNetは、複数の画像分類ベンチマークで最先端の精度を達成しているため、そのスケーラビリティと効率性から広く採用されています。EfficientNetの肺がんと大腸がんの合併分類への応用は広く研究されていません。特にクラスの不均衡や微妙な組織学的変異の扱いに関しては重要です¹³。

データ拡張は、モデルの堅牢性と一般化の改善において重要な戦略^でした。回転、シフト、ズーム、反転などのバリエーションを取り入れることで、データ拡張技術は実際の組織病理学的画像に存在する変動性をシミュレートし、モデルが不変の特徴を学習できるようにします。早期停止および正則化技術は、過学習を回避し訓練効率を最大化することでモデルの性能をさらに向上させます。これらの進歩にもかかわらず、高度な前処理、増強、移行学習を取り入れたエンドツーエンドのフレームワークは、多がん分類において高い精度と計算効率を達成するための必要性が依然として存在します。表2 15,16,17,18,19,20,21,22,23,24は、既存の文献からの研究文献を示しています。

研究	目的
タルクダー、M. A. ほか (2022 )	ディープラーニングと機械学習を組み合わせたハイブリッドアンサンブル特徴抽出モデルを提示し、大腸がんと肺がんを特定します。
Attallah, O. ほか (2022 )	さまざまなモデルと変換技術を組み合わせた低負荷のディープラーニングフレームワークを提供し、肺がんや大腸がんを早期に発見できるようにします。
Hage Chehade, A. ほか17 (2022年)	異なる種類の肺や大腸組織を識別できる機械学習ベースのコンピュータ支援診断システムを作成します。
ワヒド, R. R. 他 18 (2023)	CNNを用いたコンピュータ支援診断システムを用いて肺がんや大腸がんを検出します。
クマール、N.ら 19 (2022年)	大腸がんと肺がんの分類に用いられる特徴抽出技術を比較・対照します。
Mehmood, S. ほか (2022 )	修正された層を用いて、肺がんや大腸がんの診断モデルを正確にかつ効率的に行うプレトレーニングされたニューラルネットワークを作りましょう。
Zhou, L. ほか 21 (2024)	バイオインフォマティクス手法を用いて肺がん、膀胱がん、大腸がん治療におけるWogonin(WOG)の新たな標的を予測すること。
Reddy, K. R. ほか 22 (2022)	大腸がん(LCC)検出のための機械学習に基づくハイブリッドアンサンブル特徴抽出法を提供します。
シャンディリヤ, S., ナヤク, S. R.23 (2022年)	CNNやビジョントランスフォーマー設計は、肺がんおよび大腸がんの組織病理画像の分類に役立ちます。
Hasan, M. ほか 24 (2023)	多くのCNNモデルを用いて、肺がんや大腸がんの画像を分類し、診断手順を強化します。

表2:組織病理画像分類に関する関連過去研究の比較、使用データセット、モデルタイプ、報告済みアウトカムの詳細。

本論文は、EfficientNetB7アーキテクチャを用いた深層学習モデルを取り入れ、最先端のデータ拡張および転移学習を補完することで、これらの貢献を基盤としています。現在のソリューションは、分類精度の向上、クラス均衡、計算コストの低減により、従来の解決策の欠点を上回っており、臨床現場での最適な利用方法となっています。

Protocol

この研究は、人間の参加者や動物を直接対象とした実験は含まれていません。すべての研究は、患者情報を特定できず、ヒト組織の直接的な取り扱いも含まれない、公開されている匿名化されたLC25000組織病理画像データセットを用いて行われました。機関審査委員会(IRB)や機関動物ケア・利用委員会(IACUC)の承認は必要ありませんでした。すべての手続きは倫理基準に準拠し、学術研究におけるデータセットの利用規約を遵守していました。 図2 はワークフロー図のステップを示しています。

図2:提案手法のワークフロー。 ワークフローには、データの前処理、拡張、モデルトレーニング、評価が含まれます。 この図の拡大版はこちらをクリックしてご覧ください。

データセットの説明
本研究にはLC25000データセットが使用されました。このプログラムは25,000枚の組織病理学的画像で構成されており、すべて768ピクセル×768ピクセルの解像度で均一にJPEGファイルとしてフォーマットされていました。このデータセットは、良性肺組織画像250枚、肺腺がん250件、扁平上皮がん250件、良性大腸組織画像250件、大腸腺癌250件を含む1,250枚の初期画像から始まりました。残りの画像はデータ拡張によって生成され、データセットを拡張し、多様かつ広範なコレクションとして堅牢なモデルトレーニングと検証が可能となりました。

高解像度画像により細胞構造の詳細な検査が可能となり、正確ながん分類に不可欠でした。元の画像数が限られていたため、データの補強が必要でした。回転、フリップ、ズーム、シフトなどの手法が用いられ、データセットのサイズと多様性を合成的に増加させました。このプロセスにより、クラスバランス型でさらに23,750枚の合成画像が生成され、最終的に25,000枚の画像データセットが完成しました。各クラスには増強後5,000枚の画像が含まれています。

データ前処理
データセット内の生組織病理学的画像の解像度は768ピクセル×768ピクセルでした。EfficientNetB7アーキテクチャとの互換性を確保し、計算効率を最大化するために、各画像のサイズは768×768ピクセルから224ピクセル×224ピクセルにリサイズされました。このサイズ変更プロセスは、重要な組織学的特徴を保持しつつ計算負荷を減らすトレードオフを意味していました。リサイズ操作は数学的に次のように表されました。

式1: (1)

ここでXは元の画像、Xはリ_サイズ画像、hとwはそれぞれ望ましい高さと幅を表しました。すべてのピクセル値は0から1の範囲に正規化され、画像間で一貫した入力分布を確保することで訓練が安定化・加速されました。この正規化は式2に示されるように数学的に計算されました。このステップは、トレーニング中のモデル収束を改善するために不可欠でした。

(2)

データ拡張は、特に限られて不均衡なデータセットを持つ医療画像の文脈において、深層学習モデルの堅牢性と適用性を高めるための重要な手法として用いられました。本研究では、TensorFlowのImageDataGeneratorモジュールを用いて、組織病理学的画像の生体内変異をシミュレートするために様々な増強技術が適用されました。これらの技術には、組織の向きの変動を模擬するための最大20度のランダム回転、スライド準備中の位置変動を模倣するために画像寸法の最大20%の水平・垂直シフト、そして最大20%のランダムズームによる倍率レベルの変動を反映させる方法が含まれていました。

さらに、水平反転処理が行われ、ミラーイメージの変動を導入することで、訓練データセットがさらに充実しました。これらの変換で生成された新たに合成されたピクセルを管理するため、滑らかな遷移と主要な組織学的特徴の整合性を保つために、近接充填戦略が採用されました。増大に用いられる2次元回転行列は式3に表され、式4は増分的な変化を持つ関数を定義しています:

(3)

(4)

これらの拡張技術は、クラスの不均衡、わずかな組織学的変動、データセットの制限といった課題を補い、モデルが不変特徴を学習し、過学習リスクを低減しました。データセットを合成的に拡張し制御された変動性を取り入れることで、データ拡張によりモデルは新しい未公開データへの一般化能力を大幅に高め、肺がんおよび大腸がんの診断における臨床的展開においてより強固で堅牢なシステムが生まれました。

モデルアーキテクチャ
このモデルは、画像分類タスクにおける性能、スケーラビリティ、有効性で知られる最先端のディープラーニングネットワークであるEfficientNetB7アーキテクチャを基に開発されました。EfficientNetB7は、深さごとに分離可能な畳み込みを取り入れた一連のモバイル逆ボトルネック畳み込み(MBConv)ブロックを用いて構築されました。この構造設計によりモデルは実質的に圧縮され、性能損失を最小限に抑えつつパラメータ数を大幅に減らしました。この革新により、モデルは計算コストを抑えつつ高い精度を実現でき、組織病理学的画像解析のような計算集約型の応用に特に適しています。 図3 は、事前学習済みのEfficientNetB7のモデルアーキテクチャを示しています。

図3:EfficientNetB7のモデルアーキテクチャ。 この図はEfficientNetB7モデルの詳細な構造を示し、画像分類に用いられる主要な層と機能ブロックを示しています。 この図の拡大版はこちらをクリックしてご覧ください。

モデルは、元の寸法768×768ピクセルから224×224ピクセルにリサイズされた前処理された組織病理学的画像を受け入れ、EfficientNetB7の入力要件に合わせました。各画像はネットワーク内でバッチ正規化、Swishの活性化関数、畳み込み演算など複数のプロセスを経ました。バッチ正規化は式5に示された通り計算されました。Swishの活性化機能は非線形性を導入し、ReLUのような従来の機能よりも高速かつ効率的な訓練を可能にしました。これらのレイヤーは階層的特徴を抽出・強化するために設計されており、画像がネットワーク内で伝播するにつれて、低レベルから高レベルパターンへと段階的に学習できるようになった。

(5)

EfficientNetB7の畳み込みバックボーンは、ImageNetデータセット上で事前学習され、幅広い画像領域で有効な非常に汎用性の高い特徴検出器のセットを提供しました。事前学習ベースは、しばしば高いクラス内変動と細かい特徴特徴を持つ組織病理学的画像において微妙でありながら有益なパターンを捉える上で重要な役割を果たしました。畳み込み層からの出力はグローバル平均プーリング層に渡され、空間次元は各画像に対して単一の特徴ベクトルに縮小されました。このベクトルは畳み込み層で学習された最も関連性の高い特徴をカプセル化し、完全連結層との互換性のために一次元配列に平坦化されました。肺がんおよび大腸がんの検出強化アルゴリズムは 補足ファイル1に提供されています。

その後のネットワークアーキテクチャは、それぞれ128ユニットと64ユニットの2つの高密度(完全接続)層で構成されていました。両層は整流線形単位(ReLU)活性化関数を活用し、非線形性を追加し、抽出した特徴を微調整することで、モデルがデータ内のより正確なパターンや関係を認識できるようにしました。モデルの最終層はSoftMaxの出力層で、5つのニューロンがそれぞれデータセット内の5つのクラスのいずれかを表していました。SoftMax関数はクラス間で確率分布を生成し、各入力画像に対するモデルの予測を反映しました(式6に示されています):

(6)

最先端の畳み込み技術、堅牢な正則化、効果的な最適化戦略の組み合わせにより、高リスクの医療画像分類に適した深層学習モデルが誕生しました。このモデルは精度、拡張性、運用効率を実現し、肺がんおよび大腸がんの診断における臨床応用に強い可能性を示しました。この枠組みの中で、正則化は主に高度なデータ拡張と早期停止の使用によって達成されました。密層には明示的なドロップアウトや重量減衰は適用されませんでした。

トレーニングと検証
組織病理学的画像分類のための畳み込みニューラルネットワーク(CNN)の検証および事前学習パイプラインLC25000モデル性能の最適化と良好な一般化を確保するために設計されました。パイプラインは包括的な前処理から始まり、元の768ピクセル×768ピクセル画像を224ピクセル×224ピクセルに縮小し、EfficientNetB7アーキテクチャの入力要件に合わせました。ピクセル強度は[0, 1]の範囲に正規化され、訓練の安定化と加速が図られ、ランダム回転、シフト、ズーム、水平反転などのデータ拡張技術が適用され、変動性を導入し過学習を緩和しました。これらの前処理操作により、モデルは不変特徴を学習し、新しいデータにうまく一般化しました。

ImageNetデータセットで事前学習されたEfficientNetB7モデルを基盤として用い、微妙な組織学的パターンを識別できる堅牢な特徴検出器セットを提供しました。その後、モデルは2つの高密度層(128ユニットと64ユニット)をRectified Linear Unit(ReLU)関数で起動し、その後SoftMax出力レイヤーで5クラス分類を行うことで微調整されました。このアーキテクチャは精度と計算効率の両方に最適化されており、医療画像解析に非常に適しています。θのアダム最適化器更新ルールは式7に示されています。

(7)

モデルトレーニングは、学習率を適応的にスケーリングして効果的な収束を促進するAdam optimizerを用いて128枚の画像単位で実施されました。早期停止基準が実装され、検証損失を監視し、改善が見られない場合は訓練を停止することで過学習を防ぎ、計算資源の最適化を行いました。トレーニング中、精度、損失、精度、リコールなどの主要なパフォーマンス指標は、データの20%を占めるホールドアウト検証セットを用いて追跡されました。ホールドアウトセットはモデルの一般化能力に関する重要な洞察を提供し、見えないデータへの過学習リスクを軽減しました。

高度な前処理、データ増強、最適化戦略の統合により、優れたモデル精度と堅牢性が実現し、肺がんおよび大腸がん検出における臨床応用の強い可能性を示しました。すべての実験は、16GBメモリと64GBシステムRAMを搭載したNVIDIA Tesla P100 GPU上で行われました。前処理、拡張、モデル最適化を含む全トレーニングパイプラインは、128バッチサイズの10エポックを完了するのに約3時間かかりました。この計算インフラは、大規模で拡張されたデータセットを効率的に管理しつつ、臨床研究環境に適した適切なトレーニング時間を維持するために選ばれました。

再現性のために、すべての臨界ハイパーパラメータが明示的に指定されました。モデルはアダム最適化器を用いて学習率0.001で訓練されました。訓練は最大10エポックにわたり実施され、検証損失に基づく早期停止と過学習防止のため3エポックの忍耐が求められました。トレーニングおよび検証フェーズの両方で128のバッチサイズが使用されました。一貫した結果を確保するため、データロードおよびモデルトレーニングのすべての段階でランダムシードは42に設定されました。訓練中には学習率減衰スケジュールは適用されませんでした。

このプロトコルは、体系的な前処理、よく調整されたハイパーパラメータ、厳密な検証スキーム、そしてオープンな計算環境を組み合わせ、精度と再現性の両方を促進しました。このワークフローは、堅牢なディープラーニングアーキテクチャ、効果的な最適化、再現性のある実験デザインを統合することで、組織病理学的画像分類の堅固な基盤を築きました。肺がんや大腸がんの検出で高い性能を示すだけでなく、今後の類似の生物医学画像診断課題にも拡張可能なスケーラブルな枠組みを定義しました。

モデル開発の過程で、信頼性が高く再現性の高い結果を得るためにいくつかの実用的な調整が実施されました。クラスの不均衡や過学習に対処するために、早期停止と高度なデータ拡張が用いられました。トレーニング中のメモリ使用量は、画像を224×224ピクセルにリサイズし、バッチサイズを128にすることで緩和されました。遅い収束が発生した場合、学習率は経験的に0.001に設定されました。データロードエラーを防ぐために画像ディレクトリ構造の手動検証が行われ、再現性を確保するためにランダムシードが修正されました。これらの戦略は、大規模な組織病理学的画像データセットを用いた深層学習モデルの訓練において同様の課題に直面する研究者にとって、実践的な指針となります。

統計解析
モデルのパフォーマンスの統計モデリングは、精度、安定性、一般化可能性を評価するための包括的な指標セットを用いて実施されました。主要な評価指標には、分類性能を定量化するための精度、リコール率、F1スコア、精度が含まれていました。混同行列は、式8-10に従って計算されたクラスごとの誤差指標を報告するために利用されました。

(8)

(9)

(10)

さらに、平均二乗誤差(MSE)、平均二乗誤差(RMSE)、平均絶対誤差(MAE)などの誤差指標も評価され、式11-13を用いて予測精度を評価しました。

(11)

(12)

(13)

受信者動作特性(ROC)曲線と曲線下面積(AUC)を用いて、モデルがさまざまな閾値でクラスを識別できる能力を評価しました。AUCは式14の通り計算されました。

(14)

これらの統計解析により、モデルの分類性能、堅牢性、未確認データへの一般化性を徹底的に評価しました。

アブレーション検査
分類枠組み内で各構成要素の貢献度をさらに評価するため、最終モデルの特定のアーキテクチャ要素を選択的に省略または修正することでアブレーション研究が行われました。具体的には、2つの代替実験構成が評価されました。1つはグローバル平均プーリング層とフラットテン層の両方を含む構成で、次に2つの密度層(それぞれ128および64ユニット)が続きました。もう一つの構成ではフラットトン層と128ユニットの濃密度層の両方を省略し、グローバル平均プーリング層と単一の64ユニット密度層のみが残されました。

主要な結果に報告された完全なアーキテクチャは、約96%の検証精度を達成しました。フラットテン層を除外し、グローバル平均プーリング後に128ユニットと64ユニットの密度層のみを使用した場合、検証精度は81.6%に低下しました。逆に、128単位の密度層を除外しフラット層を保持すると、検証精度は88%に低下しました。これらの結果は、最適な分類性能を得るためには、超高密度層と適切なアーキテクチャ要素の両方を含める必要性を示しました。アブレーション実験の結果は、グローバル平均プーリング、フラッテン化、そして2つの完全連結層の組み合わせにより、より表現力豊かな特徴表現が可能となり、より堅牢で正確な組織病理学的画像分類が可能であることが一貫して示されました。

Results

図4 はトレーニングと検証の精度を示しています。 図5 は訓練および検証の損失を示しています。

図4:エポックごとのトレーニングおよび検証精度。 この図は、すべての時代におけるトレーニングセットと検証セットの精度の進展を示し、トレーニング中にモデルのパフォーマンスがどのように変化するかを示しています。

Discussion

EfficientNetB7深層学習アーキテクチャにおける誤ったラベル付けインスタンスの批判的レビューでは、モデルの予測値が検証データセット内の実際のラベルと一致しないインスタンスに対して重要な検証が行われます。批判的分析は、特にモデルが肺や結腸組織のさまざまな組織病理的特徴を誤分類している場合、分類の誤りを分析する上で極めて重要です¹¹。手順は、検証セット内のすべての画像に対してクラス予測を行い、それらを真の分類と比較することです。誤分類された画像はインデックスで示され、予測ラベルと実際のラベルが一致^{しません。}誤分類された画像のうち、通常5枚は視覚的に表示され、予測ラベルと実際のラベルの両方が付けられています。このグラフィック表示は、モデルが犯している誤りの種類を明確に示し、誤分類がなぜ起こるのかのアイデアを助けてくれます。この鋭い集中力は、モデルが前処理技術、データ拡張プロセス、モデル^{アーキテクチャの変更において}調整や改善が...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
A100 GPU(CUDA)	NVIDIA	CUDA バージョン 11.0	モデルの学習と評価のためのGPUアクセラレーション。
カグル・プラットフォーム	グーグル	該当なし	機械学習モデル開発のためのクラウドベースのノートブック
ケラス	テンソルフロー(Google)	バージョン 2.6.0	TensorFlow上で動作するディープラーニングAPI。
LC25000	ボルコウスキー AA、ブイ MM、トーマス LB、ウィルソン CP、デランドLA、マストリデス SM. 肺および大腸がん組織病理画像データセット(LC25000)	該当なし	このデータセットには、5つのクラスに分かれた25,000枚の組織病理学的画像が含まれています。すべての画像は768×768ピクセルのサイズで、jpegファイル形式です。
Matplotlib	Pythonソフトウェア財団	バージョン 3.5.0	結果をプロットするための可視化ライブラリ。
NumPy	Pythonソフトウェア財団	バージョン 1.19.5	数値計算ライブラリ。
OpenCV	オープンソース	バージョン 4.5.4	画像処理およびコンピュータビジョンライブラリ。
パンダ	Pythonソフトウェア財団	バージョン 1.3.4	データ分析および操作ツール。
Python(Anacondaディストリビューション)	アナコンダ社	バージョン 3.7.12	プリインストール済みのパッケージや環境管理ツールが含まれています。
Scikit-learn(シキット学習)	Pythonソフトウェア財団	バージョン 0.23.2	パフォーマンス評価のための機械学習ツール。
テンソルフロー	グーグル	バージョン 2.6.2	拡散モデルのためのディープラーニングフレームワーク。