MEDICINE & AI

タイトル：A comparative study of explainability methods for whole slide classification of lymph node metastases using vision transformers 雑誌名：PLOS Digit Health. 2025 Apr; 4(4): e0000792. 概　要： 本研究は、医療画像分析における深層学習の進展がもたらす可能性を探求し、特に病理学における自動全スライド画像の利用が臨床ワークフローをどのように変革するかを考察しています。しかし、深層学習モデルの透明性の欠如が臨床での採用を妨げる大きな障壁となっています。本研究では、Vision Transformersの分類予測の根拠を説明するためのさまざまな説明可能性手法を評価し、特にCAMELYON16データセットを用いて399枚の乳がん患者のリンパ節転移の全スライド画像に対する分析を行いました。結果として、Attention RolloutとIntegrated Gradientsはアーティファクトに影響されやすい一方で、RISEと特にViT-Shapleyはより信頼性の高い熱マップを生成することが示されました。 方　法： 本研究は、399枚の全スライド画像を含むCAMELYON16データセットを用いた比較分析を行いました。Vision Transformerを訓練し、Attention Rollout、Integrated Gradients、RISE、ViT-Shapleyなどの最先端技術を用いて熱マップを生成し、その効果を評価しました。主要評価指標には、生成された熱マップの信頼性と解釈可能性が含まれます。 結　果： Attention RolloutとIntegrated Gradientsはアーティファクトの影響を受けやすいことが明らかになりましたが、RISEとViT-Shapleyはより信頼性の高い熱マップを生成しました。特にViT-Shapleyは、挿入および削除メトリクスにおいて優れた性能を示し、実行時間も短縮されました。 結　論： ViT-Shapleyに基づく熱マップを病理レポートに統合することで、臨床ワークフローにおける信頼性とスケーラビリティが向上し、説明可能な人工知能の病理学への採用が促進される可能性が示唆されました。