ドメイン汎化と安定した疎埋め込み署名による倍率不変な画像分類

概要: 拡大率シフトは、頑健な病理組織分類にとって主要な障害である。というのも、ある撮像スケールで学習したモデルは、別のスケールに対してしばしばうまく一般化できないためである。ここでは、BreaKHisデータセットを用いて、この問題を、厳格な「患者非重複の拡大率ごとに1つを除外する」leave-one-magnification-outプロトコルにより評価した。具体的には、教師ありのベースライン、DCGANで生成したパッチを用いて拡張したベースライン、そして識別に関わる情報を保持しつつ拡大率に特有な変動を抑制するよう設計された勾配反転ドメイン一般化モデルを比較した。保持された拡大率において、ドメイン一般化モデルが全体として最も強い識別性能を達成し、その最も明確な改善は200Xを除外したときに観察された。一方で、GANによるデータ拡張は一貫しない効果を示し、いくつかのfoldでは改善するものの、他では低下し、とりわけ400Xで顕著だった。ドメイン一般化モデルはまた、ベースラインにおける0.089と比べて0.063という最も低いBrierスコアを示した。疎な埋め込み（sparse embedding）の解析によりさらに、ドメイン一般化による学習は平均的な署名サイズを3倍以上（306 対 1,074次元）にまで低減した一方で、予測性能は同等のまま維持されることが明らかになった（AUC: 0.967 対 0.965、F1: 0.930 対 0.931）。また、署名の再現性は、ベースラインでほぼゼロだったJaccardの一致度が、100Xと200Xのfold間では0.99まで増加した。これらの結果は、追加のアーキテクチャ的複雑さを伴わずに、較正されたコンパクトで転移可能な表現を学習できることを示しており、不均一な撮像条件にまたがって計算病理モデルを信頼性高く展開するうえで明確な示唆をもたらす。