CNNの転移学習を用いた眼底画像からの網膜疾患分類

Abstract

網膜疾患は、世界中で視覚障害を引き起こす主要な予防可能な原因の一つとして残っています。眼底画像解析に基づく自動スクリーニングは、特に十分な医療サービスを受けられていない集団において、早期検出へのアクセスを拡大する可能性があります。本論文では、公的に入手可能な眼底写真から、網膜疾患リスクを二値分類するための再現可能な深層学習パイプラインを提示します。事前学習済みのVGG16バックボーンを用いた転移学習アプローチと、ベースラインの畳み込みニューラルネットワーク（CNN）を実装し、比較したうえで、保持データ（ホールドアウトデータ）に対する汎化性能を評価します。クラス不均衡に対処するためにクラス重み付けを適用し、精度、適合率（precision）、再現率（recall）、F1スコア、混同行列、ROC-AUCを含む標準的な分類指標を報告します。VGG16の転移学習モデルは、重み付きF1スコア0.90でテスト精度90.8%を達成し、ベースラインCNN（精度83.1%）を大幅に上回りました。結果は、転移学習がベースラインCNNと比べて識別性能を向上させる一方で、少数派の疾患症例に対する感度に残る課題も明らかにすることを示しています。データセットの特性、クラス不均衡、しきい値選択に関連する実務上の制約について議論し、臨床的に信頼できるスクリーニングに向けた再現性と今後の改善のための指針を提示します