MRIにおける脳腫瘍分類のためのアンサンブルベースの畳み込みニューラルネットワーク：説明可能なAIを用いた精度と解釈性の向上
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：Ensemble-based Convolutional Neural Networks for brain tumor classification in MRI: Enhancing accuracy and interpretability using explainable AI.
雑誌名：Comput Biol Med. 2025 Sep; 195: 110555.
概 要：
本研究は、MRIを用いた脳腫瘍（神経膠腫、髄膜腫、下垂体腺腫）の正確かつ効率的な分類を目指しています。深層学習モデルは腫瘍分類の自動化に有望ですが、高精度と臨床での解釈性を両立させることが課題です。転移学習を用いてVGG16、DenseNet121、Inception-ResNet-v2などの事前学習済みアーキテクチャを活用し、アンサンブルベースの分類器を開発しました。Grad-CAM++やIntegrated Gradientsなどの説明可能性技術を用いて、モデルの意思決定を可視化しました。
方 法：
この研究では、MRI画像から脳腫瘍を分類するために、VGG16、DenseNet121、Inception-ResNet-v2などの事前学習済みアーキテクチャを用いた転移学習を探求しました。アンサンブルベースの分類器は、ロバスト性を向上させるために多数決戦略を用いて開発されました。臨床応用を高めるために、Grad-CAM++やIntegrated Gradientsなどの説明可能性技術が採用され、モデルの意思決定の可視化が行われました。
結 果：
アンサンブルモデルは、個々の畳み込みニューラルネットワーク（CNN）アーキテクチャを上回り、神経膠腫、髄膜腫、下垂体腺腫、良性ケースを区別する際に86.17%の精度を達成しました。解釈性技術により、モデルの予測に影響を与える重要な領域を特定するヒートマップが提供され、放射線学的特徴と一致し、結果への信頼性が向上しました。
結 論：
提案されたアンサンブルベースの深層学習フレームワークは、MRI画像からの脳腫瘍分類の精度と解釈性を向上させます。複数のCNNアーキテクチャを組み合わせ、説明可能性手法を統合することで、医療専門家の臨床意思決定を支援するより信頼性が高く透明な診断ツールを提供します。