機械アンラーニングは臨床安全性を保てるか？医用画像分類におけるリスク分析

要旨: 医療診断における深層学習の適用は、患者の安全性とデータ保護に関する規制への準拠の両立を図る必要があります。機械アンラーニング（Machine Unlearning）により、配備済みモデルから学習データを選択的に除去できます。しかし、ほとんどの手法は主として効率性やプライバシー志向の指標によって検証されており、臨床的に非対称な誤りコストへの関心は限定的です。本研究では、二値の医用画像分類においてアンラーニングが臨床リスクに与える影響を調査します。標準的なアンラーニング戦略（Fine-Tuning、Random Labeling、SalUn）は、テストの有用性を低下させる一方で偽陰性率を増加させ、それにより臨床リスクを増幅し得ることを示します。これを軽減するために、SalUn-CRA（Clinical Risk-Aware）を提案します。これはSalUnの変種であり、フォゲット集合に含まれる悪性サンプルに対するランダムな再ラベリングを、確率（エントロピー）に基づく忘却に置き換えることで、有害な良性の関連をモデルに学習させないようにします。DermaMNISTおよびPathMNISTの医用画像データセットに対し、データ除去率20%および50%で評価を行います。非対称コストを伴うGlobal Risk指標を用いることで、SalUn-CRAは、完全な再学習に対して臨床リスクがより低い、または同等でありつつ、アンラーニングの有効性を保持します。これらの結果は、医療システムにおけるアンラーニングの検証に、臨床リスクを不可欠な要素として組み込むべきであることを示唆しています。