EfficientNetV1およびEfficientNetV2モデルのアンサンブルを活用した乳がん組織病理画像の分類と解釈
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：Leveraging an ensemble of EfficientNetV1 and EfficientNetV2 models for classification and interpretation of breast cancer histopathology images
雑誌名：Sci Rep. 2025 Jul 01; 15(1): 21541.
概 要：
乳がんは2024年時点で女性における癌関連死の第2位の原因であり、早期発見と正確な診断が治療計画と患者ケアにおいて重要です。本研究では、EfficientNetV1およびEfficientNetV2という最先端の畳み込みニューラルネットワーク（CNN）を用いて、良性および悪性の乳腺組織に分類されたBreakHisデータセットの二項分類を行いました。限られた注釈データに対処するために、データ拡張と転移学習を適用し、Grad-CAM技術を用いてモデルの解釈性を向上させました。さらに、アンサンブル学習を用いて分類性能を向上させ、複数のモデルの予測を組み合わせました。このフレームワークは、BreakHisデータセットにおいて99.58%の分類精度を達成し、従来のCNNモデルを上回る結果を示しました。
方 法：
本研究は、BreakHisデータセットを用いたコホート研究で、乳がん組織病理画像の二項分類を行いました。EfficientNetV1およびEfficientNetV2モデルを使用し、データ拡張と転移学習を適用して限られた注釈データの課題に対処しました。モデルの解釈性を高めるためにGrad-CAM技術を使用し、アンサンブル学習を通じて複数のモデルの予測を組み合わせました。
結 果：
提案したフレームワークは、BreakHisデータセットにおいて99.58%の分類精度を達成しました。アンサンブル学習を用いることで、従来のCNNモデルよりも優れた分類性能を示しました。
結 論：
本研究は、アンサンブル学習が乳がん検出における診断精度を向上させる可能性を示しており、今後の診断支援システムへの応用が期待されます。