乳がん予測のための説明可能なAIベースの転移学習手法

サマリー

EfficientNet-B0とGrad-CAMを用いた説明可能な転移学習プロトコルが開発され、乳房超音波画像を良性、悪性、正常のカテゴリーに分類し、臨床意思決定支援アプリケーションに適した解釈可能な診断ヒートマップを提供します。

要約

超音波画像による乳がんの特定は、臨床医が適切な判断を下す際に高い精度と透明性を必要とします。本研究は、EfficientNet-B0アーキテクチャを用いて、Fertil Ultrasound Identification(BUSI)データセットで微調整されたEfficientNet-B0アーキテクチャを用いて、良性、悪性、正常画像に分類するための深層学習システムを実証しています。クラスの不均衡を緩和しネットワークを安定させるために、ランダムな水平反転、回転、カラージッターなどのデータ拡張が適用されます。勾配加重クラス活性化マッピング(Grad-CAM)は、腫瘍の縁やテクスチャパターンなどの関心領域を特定し、視覚的な説明を生成するために使用されます。モデルは平均99%の精度を達成し、病変検出において高い有効性を示しました。説明可能AI(XAI)の統合は、診断の信頼性を高めるだけでなく、臨床実践とAIのギャップを埋める役割も果たします。この結果は、高性能なディープラーニングモデルと解釈可能性の高い手法を組み合わせ、実際の臨床実践に適した信頼性の高い乳がん診断ツールを開発する可能性を証明しています。

概要

乳がんは世界中の女性に影響を与える最も重要な生命を脅かす病気の一つです。世界保健機関(WHO)によると、乳がんはがん関連死亡の大部分を占めており、早期診断は^{生存率を高める}上で極めて重要です。超音波画像診断は、安全で安価、かつリアルタイムの画像を生成できるため、乳がんの診断の定番手法となっています。マンモグラフィーとは異なり、超音波は液体を含む固形の塊や成長を識別するのに非常に効果的であり、乳房の病理が存在する場合に優れた診断補助となります。超音波画像の解釈は非常に主観的で高度な専門知識に依存し、診断のばらつきや人的ミスの可能性を引き起こします。

ここ数年、AIとディープラーニングは医療画像解析の自動化において大きな能力を示してきました。ディープラーニングベースのモデル、特にCNNは、物体のセグメンテーション、検出、分類に優れています^。しかし、これらのモデルの「ブラックボックス」的な性質により、医療分野でのAIの採用は妨げられています。「ブラックボックス」という用語は、モデルがどのようにして特定の結論に至るかの透明性の欠如を指します。入力と出力は既知ですが、臨床予測を行うための内部論理や特定の特徴はユーザーには隠されています。

この研究の動機は、乳がんの早期診断を支援する信頼できる機器の緊急性にあります。乳がんは世界的に女性死亡率の主要な原因となっています。 ディープラーニングモデルは非常に効果的ですが、その解釈可能性の欠如が臨床現場への統合を制限しています^。3.本研究では、EfficientNet-B0を用いて高性能分類を行い、Grad-CAMなどの説明可能AI(XAI)技術を統合してモデルの意思決定プロセスに視覚的な洞察を提供することで、これらのギャップを埋めています。透明性と正確さのバランスを取ることで、本研究は臨床医に確かな診断支援を提供する信頼できるAIシステムの開発を目指しています。XAI手法はモデル予測の根本的な推論を明らかにし、臨床医が結果を検証し、臨床実践と自動化システムのギャップを埋めることを可能にします⁴.乳房超音波の分類において、この解釈可能性により、AIに基づく診断が正確かつ臨床的に正当化されることが保証されます。

深層学習の進歩にもかかわらず、乳房超音波画像の分類には課題があり、悪性腫瘍のような少数派クラスが過小評価されているなど、偏^{ったモデルが}生じているなど、階級の不均衡も課題があります。ディープラーニングモデルの解釈可能性の欠如は臨床現場での適用を困難にしており、臨床医は透明な意思決定を求めています。データセットの制限や多様性の制限はモデルの一般化を制限し、超音波画像の腫瘍境界やテクスチャなどの複雑な画像特徴^は学習が難しい6。前述の問題に対する解決策は、モデル予測に関する明確な洞察と高い精度を確保する堅牢で解釈可能なフレームワークを必要とします^。

本研究は、乳房超音波画像を良性、悪性、正常のカテゴリーに分類しつつ、少数派クラスに対して標的的増強による一般化を向上させる深層学習フレームワークの開発を目指しています。このフレームワークは勾配加重クラス活性化マッピングを統合し、予測の視覚的説明を提供し、精度、正確さ、想起率、F1スコアを用いてパフォーマンスを評価し、解釈可能な臨床意思決定支援システムとしての適性を示しています。これまでに行われた説明可能な超音波ベースの乳がん研究では、Grad-CAMが主に事後的な可^{視化として}利用されていたのに対し、提案されたフレームワークは病変意識の前処理とクラス意識学習を訓練段階で組み合わせています。乳房超音波画像(BUSI)データセットのグラウンドトゥルースマスクは、特徴抽出時に病変の境界や内部エコーパターンを強調するために超音波画像に重ねられ、少数派診断群では選択的増強が用いられ、臨床的に有意な外^{見特徴を変え}ずにクラスの不均衡を軽減します 9.この病変駆動型病変増強、EfficientNet-B0転移学習、Grad-CAMの説明可能性の組み合わせは、診断の堅牢性を向上させ、病変形態学と整合した解釈を生み出し、解剖学的に誘導された病変増強と説明可能性がAI支援乳がん診断の信頼性と信頼性を高めるという仮説を正当化^します。

従来の医療画像診断は、フィルタリング、分割、形態学的操作を取り入れた従来の画像処理手法に依存し、診断のために可視構造を特定し^{ていました。}しかし、これらのプロセスは一般的に手動調整が必要で、医療画像の本質的な変動性や複雑さに対応するのに苦労しました。例えば、乳房超音波の解釈は歴史的に放射線科医の主観的専門知識に依存しており、悪性および良性病変の識別は人間の誤りや誤解が起こりやすい視覚的描写に依存していました。

ディープラーニングの登場は、主に畳み込みニューラルネットワーク(CNN)の導入を通じて医療画像分野に変革的な革命をもたらしました¹²。その中でも、EfficientNet-B0はネットワークの深さ、幅、解像度をバランスよく調整する複合スケーリング手法を用いて、非常に効率的かつ正確な計算を実現する重要な革新を示しています。乳房超音波画像の文脈では、このモデルは逐次畳み込み層を用いて階層的特徴を自動的に学習し、主観的な手動特徴抽出の必要性を効果的に排除し、診断の精度と信頼性を大幅に向上させます¹³。この素晴らしい可能性にもかかわらず、医療画像におけるディープラーニングは依然として進化し続け、未解決の課題が残っています。データの質と利用可能性が極めて重要であり、ディープラーニングモデルは成功する一般化のために膨大な注釈付き画像リポジトリを必要とします。さらに、これらのモデルの「ブラックボックス」特性は臨床受容性に大きな障害をもたらします。トレーニングデータにおける潜在的なバイアスに関する倫理的懸念も、偏ったまたは差別的な診断予測につながる可能性があります¹⁴。したがって、この研究はモデルが客観的かつ臨床的に妥当であることを保証するために厳格な試験と検証プロトコルを必要とします。これらの制約に対処するため、ディープラーニングの現在の進展はモデルの解釈可能性と堅牢性の向上に焦点を当てています。本研究で適用された勾配加重クラス活性化マッピング(Grad-CAM)などの技術は、モデルの結果に影響を与える特定の画像領域の可視化を可能にし、モデルの挙動の理解を深め、臨床意思決定を支援します。さらに、連邦学習フレームワークの革新により、機関間のプライバシー意識の高い協力が促進され、生のデータセットを共有することなく異種データを活用できるようになりました。これらの進歩により、医療画像におけるより信頼性が高く、解釈可能で偏りのないディープラーニングアプリケーションが徐々に可能になり、最終的には臨床基準と患者ケアの向上につながっています ¹⁵。

解釈可能な医療^{意思決定システムの重要} 性は、説明可能な人工知能の最近の進展によって強調されています。解釈可能なフレームワーク:融合ベースの解釈可能フレームワークは、複数の特徴表現と複数の説明メカニズムの組み合わせにより、より良い分類性と透明性を示しました。¹⁷。最近の研究では、深層学習モデルをXAI手法と組み合わせて、乳がん診断やその他の医療予測課題における診断の信頼性を高める大きな可能性が示されています。これらの記事は、臨床医による高い予測力と解釈可能な推論の両方の必要性を支持しており、これは効果的で理解しやすい超音波分類システムの創出という本研究の目的と一致しています(¹⁸)。

表1は 文献レビューと既存技術を示しています。

研究	目的	注釈
Humayra Afrinら(2023)19	乳房腫瘤超音波診断と予後のためのディープラーニングアプリケーションをレビューしてください。	病変分類が最も高い成績を示し、予後に関する研究は少なかった。
ゲラン、アヤナら(2022)20	乳がん化学療法のための超音波誘導ナノキャリアをレビューしてください。	超音波応答性ナノキャリアは薬物送達を改善しますが、生理学的な障壁に直面します。
ヴァレリオ・ディ・パオラら(2022年)21	乳がんにおける正確なN病期化のための画像技術の解析。	MRIと超音波検査が重要な役割を果たしますが、偽陽性や偽陰性は診断の正確性に影響を与えます。
アディヤシャ・サフら(2024)22	乳がん検出のためのアンサンブル深層学習分類器を提案します。	AlexNet、ResNet、MobileNetV2を用いてLoGと高ブーストを用いて高精度を達成しました。
アリレザ・レザザデら(2022)23	超音波画像を用いた乳がん診断のための説明可能な機械学習パイプラインを開発します。	テクスチャ特徴と決定木アンサンブルを用いて予測の解釈性を向上させます。
アサフ・ラザら(2023)24	堅牢な乳がん検出のためにDeepBreastCancerNetを開発しましょう。	24層アーキテクチャと複数の最適化を組み合わせて99.63%の精度を達成。
キラン・ジャビーンら(2022)25	DarkNet-53と機能融合を用いたディープラーニングフレームワークを提案します。	最適化された特徴選択技術を用いて99.1%の精度を達成。
ゲラン、アヤナら(2022)26	超音波乳がん分類のための多段階転移学習(MSTL)を開発します。	EfficientNetB2、InceptionV3、ResNet50を用いた医療画像ベースの転移学習による精度向上。
サクシャム・グプタら(2023)27	超音波乳がんの分類には修正版ResNet50を使用してください。	97.8%の精度を達成し、診断時間を短縮し早期発見を改善しました。
Karl Kratkiewiczら(2022)28	超音波断層撮影(UST)や光音響断層撮影(PAT)などの先進的な画像診断法をレビューしてください。	USTとPATは定量画像診断により乳がん検出を促進します。

表1:既存技術の文献とレビューを示しています。

提案モデルは、乳房超音波画像の分類におけるディープラーニングの成果に基づいており、データの質、モデルの解釈可能性、計算効率といった本研究の主な課題を克服しています。従来の手法で手動の特徴抽出を用いていたのに対し、本研究では深さ、幅、解像度を組み合わせた最新のアーキテクチャであるEfficientNet-B0を活用しています。モデルはGrad-CAMを用いて予測の説明を可視化し、透明性と臨床的信頼性を高めています。現在のアンサンブルモデルや転移学習を含むソリューションは非常に高精度になっていますが、簡単に解釈できなかったり、多大な計算能力を必要とする場合があります。本研究はこれらのギャップを埋めており、非常に正確(99)かつ解釈可能であり、臨床意思決定の実務的側面においてモデルが信頼性と実用性を持つことを保証します。クラスの不均衡と実用的な利用に焦点を当てたアプローチは、AI駆動の乳がん診断の新たな標準です。

論文は公開されているBUSI(匿名化された臨床画像の収集セット)を使用しています。本研究には直接的なヒト被験者や動物は含まれておらず、したがって機関倫理承認(IRB/IACUC)は不要でした。すべての操作は、公開されている医療画像データの二次利用に関する共通基準に従って行われます。

プロトコル

1. データセットの特徴

この研究は、^乳がんの解析と分類のためのよく記録されたリポジトリを提供する公開されている乳腺超音波画像(BUSI)データセットを利用しました。このデータセットは、医療画像の確立と検証に必要な膨大な超音波画像を含んでおり、特に適切でした。このデータセットは、25歳から75歳の600人の女性から収集された780枚の超音波画像で構成され、乳がん診断のための多様な集団を代表しています。すべての画像は平均500×500ピクセルの解像度を維持し、PNG形式を利用して高品質な視覚データを保存し、分析に備えていました。 図1 は提案されたフレームワークの全体的なワークフローを示しており、前処理、拡張、EfficientNet-B0特徴抽出、分類、Grad-CAM解釈可能性を含みます。

図1:BUSIデータセットからの代表的なサンプル。 (A) 良性、(B) 悪性、(C) 正常画像。パネルは訓練に用いられる形態的多様性を示しています。 この図の拡大版はこちらをクリックしてご覧ください。

2. 実験的ワークフロー

再現性を確保するため、調査では処理パイプラインを逐次段階で実行しました。まず、システムはBUSIの超音波画像と対応するグラウンドトゥルースマスクを読み込み、224×224ピクセルにリサイズし、その後ImageNetの正規化を行いました。次に、フレームワークは各画像にマスクを重ねて病変領域を強調し、その後、分析(70%)、検証(15%)のサブセットに分割し、層別サンプリングを用いました。第三に、主に少数派クラスに対して水平反転、回転(±15°)、カラージッターを含む標的増強を適用しました。第四に、研究者たちはImageNetで事前学習されたEfficientNet-B0モデルを、最終的な分類層を3クラス出力層に置き換えることで微調整しました。トレーニングプロセスでは、アダム最適化器(学習率0.00005)、ステップ学習率減衰(7エポークごとにγ=0.1)、クロスエントロピー損失、バッチサイズ8、そして忍耐2での早期停止が用いられました。最後に、Grad-CAMは最後の畳み込み層から注意ヒートマップを作成し、診断に関連する領域を可視化し臨床解釈を支援しました。 資料表 には、研究の乳房超音波分類および解釈可能性フレームワークを再現するために必要な必須データセット、ソフトウェアライブラリ、ハードウェア構成が記載されています。

BUSIデータセットは、医療データセットでよく観察される自然なクラス不均衡を示しました。分布は良性のクラスが優勢で、悪性および正常のケースが続きました。具体的には、データセットには良性画像487枚、悪性画像210枚、正常画像133枚が含まれていました。データ増強は訓練の変動性を高めましたが、各クラスの基本的なサンプル数は変わりませんでした。この分布は、良性疾患が悪性腫瘍よりも頻繁に発生する現実の臨床シナリオを反映しています。このような不均衡は臨床環境における乳房異常の有病率を正確に示していましたが、深層学習トレーニングには課題をもたらし、マイノリティクラスの予測に偏りが生じ、最適でないパフォーマンスを招く恐れがありました。したがって、この不均衡を緩和することが、すべての診断カテゴリーで効率的に機能する効果的かつ一般化可能なモデルを構築するために不可欠となりました。 図2 はデータセットからの代表的な超音波画像を示しており、良性、悪性、正常の乳腺組織サンプルの例を示しています。

図2:提案モデルワークフロー。 入力およびマスクオーバーレイの前処理からEfficientNet-B0トレーニング、Grad-CAM出力までの逐次パイプライン。 この図の拡大版はこちらをクリックしてご覧ください。

3. データ前処理

研究では、すべての画像を224×224ピクセルにリサイズし、EfficientNet-B0アーキテクチャの標準入力寸法に準拠しました。このリサイズにより、式1で定義されるデータセットの一貫性と計算要件の削減が実現しました。

     

フレームワークはImageNetデータセットの平均と標準偏差(平均は[0.485, 0.456, 0.406]、標準は[0.229, 0.224, 0.225])を使ってピクセル値を正規化しました。この正規化により、入力データのスケーリングが行われ、訓練の安定性と収束速度が向上し、式2に従って計算されました。

      

特徴抽出と関心領域の特定を改善するために、研究者たちは元の画像を対応するグラウンドトゥルースマスクに重ね合わせました。 図3 は、地上の真実病変マスクと、腫瘍境界を強調する重ね重ねられた超音波画像を示しています。

図3:マスクと重ね合わせ画像。 (A) 元の超音波、(B) グラウンドトゥルースマスク、(C) 空間的注意のために腫瘍境界を強調する結果のオーバーレイ。 この図の拡大版はこちらをクリックしてご覧ください。

このオーバーレイは腫瘍のマージンやテクスチャパターンなどの重要領域を特定し、モデルに局所的な空間的文脈を提供し、分類精度を向上させました(式3に示されています)。

      

本研究では、特徴学習中の病変境界知識を補完するため、訓練データの作成時にマスクオーバーレイ操作のみを使用しました。対照的に、検証および推論段階ではマスクなしで元の超音波画像のみを使用し、従来の画像分類パイプラインを維持しました。BUSIデータセットのバイナリセグメンテーションマスクは超音波画像にすでに内在する構造を表していたため、新しいクラスラベルは導入されませんでした。情報漏洩を防ぐため、調査ではデータセットをトレーニングセット、検証セット、テストセットに分割し、画像やマスクの重複ペアがサブセット間で共有されないようにしました。その結果、オーバーレイは評価データの独立性を損なうことなく解剖学的に重要な領域を強調する空間的注意ガイドとして機能しました。

4. データ拡張

この研究では、トレーニングセット内のクラス不均衡を緩和するためにターゲットを絞ったデータ増強を実施し、特に悪性クラスおよび一般マイノリティクラスに焦点を当てました。このフレームワークは、訓練データの変動性を人工的に高め、多様な画像条件にまたがるモデルの一般化能力を高めるために幅広い変換を用いています。

まず、システムは0.9(90%)の確率で水平反転を行い、走査方向に関係なくモデルが特徴を認識できるようにしました。この変換は式4に従います:

      

次に、±15°の範囲内でランダムな回転を適用し、スキャン角度や患者の位置の変化をシミュレートしました。この過程により、モデルは式5で定義される腫瘍マージンやテクスチャパターンなどの回転不変特徴を学習することを強制しました。

      

第三に、研究者たちはカラージッターを用いて、照明、コントラスト、色のバランスの変化をシミュレートしました。フレームワークは明るさ、コントラスト、彩度を0.2倍、色相を0.1倍調整しました。これらの確率的調整により、モデルの外観変化に対する堅牢性が向上し、式6に従って計算されます。

      

これらの特定のハイパーパラメータ範囲(水平反轉0.9、回転+15、-15、明るさ/コントラスト/彩度0.2、色相0.1)の選択は、実証的安定性評価の結果です。調査の結果、これらの設定が多様性生成と解剖学的リアリズムのバランスを最適化し、非現実的な病変を誘発することなく安定した収束と安定した検証精度を確保していることが判明しました。

5. モデルアーキテクチャ

この研究では、他の画像分類アーキテクチャと比較して効率性、スケーラビリティ、性能で知られる最新のCNNモデルであるEfficientNet-B0が利用されました。このモデルはネットワークの深さ、幅、解像度を比例的にスケーリングする方法を採用しており、ResNetやVGGのような標準アーキテクチャと比べてパラメータ数を大幅に減らしながら高い精度を実現しました。このスケーリングアプローチにより、高解像度画像を扱いながら計算効率を維持し、医療画像の特有のニーズに適合しました。 図4 はEfficientNet-B0のアーキテクチャを示し、階層的特徴抽出に用いられる畳み込みブロックとMBConvブロックの列を示しています。

図4:効率的なNet-B0アーキテクチャ。 階層的特徴抽出に用いられるMBConvブロックおよび複合スケーリングファクターの概説。 この図の拡大版はこちらをクリックしてご覧ください。

乳腺超音波分類タスクのためにEfficientNet-B0を修正するため、研究者たちはモデル構造に特定の調整を加えました。システムは、1,000クラスのImageNetデータセット用に設計された初期の分類層を、3つの出力ニューロンからなる完全接続(濃密な)層に置き換えました。調査では、事前学習済みのEfficientNet-B0バックボーンのすべての層を訓練可能と設定し、新しい分類層と共同で最適化し、完全なファインチューニング戦略に従いました。訓練プロセスでは段階的な凍結や段階的な解凍は適用されませんでした。このフレームワークは、学習率0.00005のAdam optimizerと、7エポックごとに学習率を0.1倍に下げるステップ学習率スケジューラを用いた訓練を実施しました。これらのニューロンはBUSIデータセット内の3つのターゲットクラス、良性、正常、悪性に対応しました。モデルは出力層でSoftMaxの活性化を利用し、生スコアを式7で計算された確率分布に変換しました。 表2は モデルアーキテクチャの説明を示しています。

      

レイヤータイプ	概要
入力層	サイズ224 x 224 x 3の画像も受け入れています
畳み込み層	特徴抽出のための初期畳み込みブロックとMBConvブロックを含みます。
グローバル平均プーリング	空間次元を1次元特徴ベクトルに還元します。
完全接続層	特徴ベクトルを3つの出力ニューロン(正常、良性、悪性)にマッピングします。
SoftMaxアクティベーション	マルチクラス分類のためのロジットを確率に変換します。

表2:モデルアーキテクチャの説明を示します。

モデルの訓練に使用されたパラメータは、アダム最適化器、初期学習率0.00005、そしてカテゴリー的クロスエントロピー損失(3クラス)で、式9に従って数学的に計算されました。ImageNetの事前学習重みを用いてEfficientNet-B0を初期化し、完全に訓練され、すべてのバックボーンレイヤーが訓練され、段階的なフリーズは適用されませんでした。最初の分類器は完全連結層と3つの出力ニューロンに置き換えられ、最後に良性、悪性、正常クラスを表すSoftMax活性化が行われました。画像は224×224ピクセルに縮小され、ImageNetの平均および標準偏差で正規化され、8ピクセルずつのミニバッチで読み込みました。ステップ学習率スケジューラーは、7エポックごとに学習率を0.1低下させました。検証損失は、過学習を避けるために2エポックの忍耐で早期停止に用いられました。グラッドCAMの活性化は、最後の畳み込み層に基づいて勾配計算、グローバル平均プーリングによるチャネル重みの取得、そして活性化マップのアップスケーリングを入力解像度に行って生成されました。

その安定性を確認するため、Matching validation performanceを用いて複数回のランにわたりトレーニングを繰り返しました。トレーニングおよび検証損失曲線のモニタリングを用いて過学習を特定し、最終評価にはトレーニングに依存しない層別ホールドアウトテストセットを用いました。検証性能とテスト性能の差は小さく、収束性と最適化の再現性が一貫していることを示しています。式10は段階的な学習率スケジュールを定義しています。式15は検証損失が2回連続で増加していることを示し、過学習の可能性を示しています。

      

      

      

      

      

      

      

EfficientNet-B0は、構造が効率性と速度を可能にする革新的なアーキテクチャ要素をいくつか含んでいるため、乳房超音波の分類に特に柔軟です。中心的な部分はMBConvで、深さごとに分離可能な畳み込みと圧縮・励起モジュールを組み合わせて、精度を損なうことなく計算計算量を低くします。また、深さ、幅、分解能を均一にスケールし、あらゆるリソース制約で最適な性能を得る化合物のスケーリングもサポートしており、次の式8のように数学的に導出されるタスクアジャイルモデルも備えています。モデルにはすでにImageNetデータセット上で学習された重みが含まれているため、学習に移転可能であり、かなりの程度では小規模な医療データセットでモデルを訓練する必要がありません。この高レベルの機能と、最終分類層の変更、アダム最適化器の使用、学習率スケジューラ、早期停止を含むカスタマイズされたトレーニング環境の組み合わせにより、モデルは非常に高精度でありながら同時に計算効率も保っています。このアーキテクチャ的な独創性とトレーニング手法の組み合わせにより、モデルは不十分な医療画像情報に基づいて効率的に学習でき、乳房超音波の分類において有用なツールとなるでしょう。

アルゴリズム1:EfficientNet-B0およびGrad-CAMを用いた乳房超音波画像分類

入力:乳房超音波画像。
出力:分類(正常、良性、悪性)およびGrad-CAMヒートマップ。
1. 画像の前処理:
224×224224×224にサイズ変更。
ImageNetの平均と標準値を使って正規化してください。
フリップ、回転、色のジッターを加えて強化しましょう。
2. モデルの初期化:
Efficient Net-B0(事前学習済み、上層は除外)をロードします。
グローバル平均プーリングと高密度層(3ニューロン、SoftMax)を加えます。
3. 列車モデル:
オプティマイザー:アダム(学習率=0.00005)。
損失:交差エントロピー。
早期停止(忍耐=2)で18エポックの訓練を行ってください。
4. 大学院CAMビジュアライゼーション:
ターゲットクラスの勾配を計算します。
入力画像にヒートマップを生成し、重ね合わせます。

このアルゴリズムは、EfficientNet-B0およびGrad-CAMを用いた乳房超音波画像の分類ワークフローを提供し、モデルの前処理、訓練、推論、臨床検証のための解釈可能なヒートマップを提供します。

6. 説明可能なAIとしての大学院生向けCAM

本研究で用いられた強力なツールの一つは、ディープラーニングモデルに解釈可能性を加える「勾配重みクラスアクティベーションマッピング(Gradient-weighted Class Activation Mapping)」です。臨床画像におけるXAIの現在の切実なニーズに対応する解決策として、この手法はGrad-CAMを用いて、モデルの予測に用いられる画像の最も重要な領域周辺で視覚的に説明可能なヒートマップを通じてモデルの意思決定を直感的に理解できるようにします。このような解釈可能性の収束は、特に医療のような説明責任と透明性が不可欠な高リスクシステムにおけるAIシステムの信頼構築に不可欠です。 図5 は、良性、悪性、正常症例のモデル予測に最も影響を与えた画像領域を強調したGrad-CAMヒートマップを示しています。

図5:Grad-CAM活性化ヒートマップ。 (A)良性、(B)悪性、(c)正常な症例。暖色(赤)は高い診断効果を示します。冷たい色(青)は注意が低いことを示します。 この図の拡大版はこちらをクリックしてご覧ください。

すべてのGrad-CAM画像は、モデルに入力された画像に加えて表示されます。図5は元の超音波画像とモデル入力画像を示し、注目領域が予測で考慮される処理された入力と直接関連していることを確認しています。チャネルごとの重要度を得るために、Grad-CAMは最終畳み込み層の特徴マップを用いて予測クラスの勾配を計算します。これらの勾配は世界中で平均化されて重み付け係数を求め、その後、それぞれの特徴マップと掛け合わせて局所化ヒートマップ(式16および17)を生成します。その後、ヒートマップを入力解像度までアップサンプリングし、超音波画像に重ね合わせて、画像内の診断的に関心のある領域(例:腫瘍マージン、テクスチャの変化など)を示します。この可視化は、モデルで予測を行うために使われる領域の空間的理解を提供します。本論文は注意の局所化を視覚的分析による解釈可能性を測定します。これらの研究には、依然として将来の臨床的関連性検証の貴重な手段である局所化や臨床医による評価の定量的指標は含まれていません。

      

      

Grad-CAMは、画像の予測に寄与した部分をハイライトすることで、モデルの視覚的な動作を予測します。ヒートマップは、腫瘍の縁や音響パターンを含む臨床的に関連した構造にネットワークが集中していることを確認するために使用できます。誤報時には、可視化が無関係な領域に焦点を合わせるのを助け、モデル評価や最適化を支援します。このような医療的特徴とモデルの注意との対応は、AI支援診断の解釈可能性を高めます。 図6 はGradCAMの可視化を示しています。

図6:GradCAMの可視化。 分類のための重要な領域(赤=高、青=低)を示すGrad-CAMヒートマップ;色の強さは特徴の重要度を示します。 この図の拡大版はこちらをクリックしてご覧ください。

Grad-CAMは、分類選択に最も大きく貢献する画像領域を強調することで、EfficientNet-B0モデルの解釈可能性を高めるために追加されます。得られるヒートマップは、腫瘍の縁やテクスチャーの変化の臨床的に重要な構造を示し、モデル予測の明確な解析を容易にします。この高い分類精度と視覚的解釈可能性により、この提案された枠組みは乳房超音波画像の解析における信頼性の面でより強固です。

7. 統計分析

モデルは、正の予測の精度を測る指標として、精度などの多くの指標で評価されます。モデルがすべての関連症例を特定する効果の指標として想起し、そしてF1スコア(精度と記憶率の調和平均)は、全体のパフォーマンスをバランスよく測る指標であり、式18–21に従って数学的に計算されます。

      

      

      

      

平均絶対誤差(MAE)は、式22に従って数学的に計算された予測値と真値の平均絶対差を定量化します。

      

二乗平均平方根誤差(RMSE)は、式23に従って数学的に計算された予測値からの平均偏差を測定します。

      

平均絶対誤差(MAE)は、式24に従って数学的に計算された予測値と真値の平均絶対差を定量化します。

      

混同行列を用いて、真陽性、真陰性、偽陽性、偽陰性の詳細な分類を提供し、モデルが³⁰を分類する方法についてさらに詳しい情報を提供します。これらの評価指標を組み合わせることで、モデルの誤差、強度、未観察データにおける一般化の総合評価が得られ、乳腺超音波画像の分類において信頼できるツールとなります。BUSIデータセットにおける病変マスクの利用可能性は、将来的に交差点対合同などの定量的局在化指標を導入し、説明の正確性を客観的に評価できることを示唆しています。階層化されたホールドアウト検証は、クラス分布を保持しつつ、訓練部分集合と評価部分セット間の独立性を保つために選ばれました。クロスバリデーションを使用しなかった理由は、検証サンプルが最適化プロセスに繰り返し曝露されるのを防ぐためでしたが、今後の研究では、パフォーマンスのばらつきをさらに明らかにするために繰り返しまたは入れ子化されたクロスバリデーションが用いられる予定です。

結果

入力寸法の標準化が24×224ピクセルとなり、ImageNetベースの正規化により、安定したトレーニング動作と損失曲線の滑らかな収束が可能となりました。マスクオーバーレイ操作を訓練サンプルに適用することで、生の超音波画像と比較して病変境界の可視性が大幅に向上しました。この観察は、解剖学的に誘導された強化が特徴の分離性を向上させるという仮説を支持しました。トレーニングフェーズではこれらのオーバーレイが使用されましたが、検証セットやテストセットはマスク強化なしのコントロールとして残りました。これらのセット間で一貫したパフォーマンスが見られたことは、モデルが外部マスクのアーティファクトに依存するのではなく、本質的な解剖学的マーカーを学習していることを証明しました。これらの結果は、前処理が特に視覚的に微細な病変において背景の変動を効果的に最小限に抑えることを裏付けました。

悪性および正常な少数派クラスに標的増強を適用したことで、バランスの取れたクラス分布が得られ、優勢な良性クラスへの予測バイアスが軽減されました。悪性クラス...

ディスカッション

提案されたフレームワークは、勾配加重クラス活性化マッピング(Grad-CAM)と統合された微調整されたEfficientNet-B0アーキテクチャを用いて、高パフォーマンスで解釈可能な乳房超音波分類システムを提供します。この研究は、「ブラックボックス」ディープラーニングモデルと臨床の透明性の間のギャップを埋めることで科学分野を前進させ、計算効率を^{説明可能性のために}犠牲にする必要はないことを示しています。病変意識の前処理と標的増強を実装することで、本研究は医療データセットに内在するクラス不均衡を扱う堅牢な手法を提供し、腫瘍学におけるAI支援診断の信頼性を高めています。

高い精度が達成されているにもかかわらず、この研究にはいくつかの制約があります。BUSIデータセットは単一ソースの臨床取得シナリオを表しており、異なるスキャナー特性や多様な集団分布にさらされた場合、モデルのクロスドメインの堅牢性が制限される^{可能性があります。}さ...

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
乳房超音波画像（BUSI データセット）		N/A	780 PNG画像（487 良性、210 悪性、133 正常）
Matplotlib	Matplotlib 開発者	N/A	バージョン 3.7.1
NumPy	NumPy 開発者	N/A	バージョン 1.23.5
NVIDIA Tesla T4 GPU	NVIDIA	N/A	16GB VRAM
OpenCV	OpenCV.org	N/A	バージョン 4.7.0
Pillow (PIL)	Python Imaging Library	N/A	バージョン 9.4.0
Python	Python Software Foundation	N/A	バージョン 3.9.12
PyTorch	Meta AI	N/A	バージョン 2.0.1+cu117
Scikit-learn	Scikit-learn 開発者	N/A	バージョン 1.2.2
Seaborn	Seaborn 開発者	N/A	バージョン 0.12.2
Ubuntu OS	Canonical	N/A	64-bit