アンサンブルベースの知識蒸留を用いた半教師あり畳み込みニューラルネットワークによるメラノーマのブレズロー厚分類
カテゴリ：災害・救急医療
公開日：2026年2月19日
タイトル：Melanoma Breslow Thickness Classification Using Ensemble-Based Knowledge Distillation With Semi-Supervised Convolutional Neural Networks
雑誌名：IEEE J Biomed Health Inform. 2025 Jan; 29(1): 443-455.
概 要：
メラノーマは、皮膚癌に関連する死亡の90%以上を占める世界的な公衆衛生の課題です。早期メラノーマの診断は皮膚鏡検査の主な目的ですが、in situと浸潤性メラノーマの皮膚鏡画像の識別は、経験豊富な皮膚科医にとっても困難です。本研究では、異なるソースからの4つのデータセットを用いて、in situと浸潤性メラノーマの分類およびブレズロー厚の予測に関する深層学習モデルを訓練・評価しました。教師あり学習と半教師あり学習を用いたマルチティーチャーアンサンブル知識蒸留アプローチが評価され、層化5分割交差検証法を使用しました。最良のモデルは、分類タスクにおいてそれぞれAUC 0.8085および0.8232を達成しました。半教師あり学習を用いた場合、最良のモデルはAUC 0.8547および0.8768を達成し、外部テストセットでも全ての分類タスクで高い性能を示しました。結果は、半教師あり学習が教師あり学習に比べてメラノーマ分類タスクの性能を向上させる可能性を示しています。
方 法：
本研究は、異なるソースからの4つのデータセットを使用した深層学習モデルの訓練と評価を行いました。教師あり学習と半教師あり学習を用いたマルチティーチャーアンサンブル知識蒸留アプローチが採用され、層化5分割交差検証法で評価されました。主要評価指標はAUCです。
結 果：
最良のモデルは、in situと浸潤性メラノーマの分類タスクでそれぞれAUC 0.8085および0.8232を達成しました。半教師あり学習を用いた場合、最良のモデルはAUC 0.8547および0.8768を達成し、外部テストセットでも全ての分類タスクで高い性能を示しました。
結 論：
半教師あり学習は、メラノーマの分類タスクにおいて教師あり学習よりも性能を向上させる可能性があり、自動深層学習に基づく診断システムは医療専門家の意思決定を支援するツールとして機能することが期待されます。