深層学習モデルを活用した超音波スキャンからの甲状腺結節の自動診断の向上
カテゴリ：診断支援・画像解析
公開日：2026年2月19日
タイトル：Enhancing automatic diagnosis of thyroid nodules from ultrasound scans leveraging deep learning models
雑誌名：Sci Rep. 2025 Nov 18; 15(1): 40364. doi: 10.1038/s41598-025-25780-0. Epub 2025 Nov 18.
概 要：
本研究は、甲状腺結節の診断精度を向上させるために、深層学習を活用した自動診断システムの可能性を探求しています。超音波は甲状腺疾患の主要な診断ツールですが、放射線科医の専門知識に依存するため、分類精度が制限されることがあります。本研究では、483枚の生検確認済み超音波画像（良性197枚、悪性286枚）を用いて、転移学習を利用した畳み込みニューラルネットワーク（CNN）の信頼性を評価しました。結果として、ResNet50が最も高い性能を示し、他のモデルと比較しても優れた結果が得られました。
方 法：
本研究は、483枚の超音波画像を用いた機械学習研究です。9種類の事前学習済みCNN（ResNet50、ResNet101、VGG16、VGG19、DenseNet121、EfficientNetB0、InceptionV3、InceptionResNetV2、Xception）を評価し、転移学習、データ拡張、クラスバランシング、10倍交差検証を実施しました。主要評価指標は、精度、受信者動作特性曲線の面積（AUC）、適合率、再現率、F1スコアです。
結 果：
ResNet50は、精度96.90%、AUC 0.97、適合率96.93%、再現率96.90%、F1スコア96.90%を達成し、最も優れた性能を示しました。次いでResNet101（精度94.75%、AUC 0.95）およびEfficientNetB0（精度93.09%、AUC 0.94）が続きました。他のモデルは87-90%の精度とAUC値0.89-0.93を達成しました。データ拡張とバランシング戦略は、クラスバイアスを効果的に低減し、全モデルの一般化を改善しました。
結 論：
ResNet50は甲状腺結節の分類において優れた性能を示し、CNNベースの転移学習が信頼できる意思決定支援アプローチとしての可能性を持つことが明らかになりました。これにより、甲状腺結節の診断精度が向上することが期待されます。