MEDICINE & AI

タイトル：Robust and explainable framework to address data scarcity in diagnostic imaging 雑誌名：Comput Biol Med. 2025 Oct; 197(Pt B): 111052. 概　要： 本研究では、医療診断におけるデータ不足の課題に対処するために、「効率的転送および自己教師あり学習に基づくアンサンブルフレームワーク」（ETSEF）を提案します。ETSEFは、複数の事前学習済み深層学習モデルからの特徴を活用し、限られたデータサンプルから強力な表現を効率的に学習します。ETSEFは、転送学習と自己教師あり学習の2つの事前学習手法をアンサンブル学習アプローチと組み合わせた初の戦略です。データ拡張や特徴融合、特徴選択、意思決定融合などのデータ強化技術を用いて、ETSEFモデルの効率性と堅牢性を最大化しました。内視鏡検査、乳がん検出、サル痘検出、脳腫瘍検出、緑内障検出の5つの独立した医療画像タスクでETSEFの効果を実証しました。 方　法： 本研究は、ETSEFという新しいアンサンブルフレームワークを用いた実験を行いました。ETSEFは、転送学習と自己教師あり学習を組み合わせ、複数の事前学習済みモデルからの特徴を活用します。データ拡張や特徴融合、意思決定融合などの技術を駆使し、5つの医療画像タスクにおいて診断精度を評価しました。 結　果： ETSEFは、強力なアンサンブルベースラインモデルと比較して診断精度を最大13.3%向上させ、最近の最先端手法と比較して最大14.4%の改善を示しました。また、Grad-CAMやSHAP、t-SNEなどの視覚的説明可能なAI技術を用いて、ETSEFの堅牢性と信頼性を強調しました。 結　論： ETSEFは、データ不足の課題に対して効果的かつ堅牢な解決策を提供し、医療画像タスクにおいて優れた性能を維持できることが示されました。このフレームワークは、トレーニングデータが不足している領域での応用の可能性を示唆しています。