深層学習モデルとXAIを用いた卵巣の悪性病変の自動検出

arXiv cs.AI / 2026/3/13

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、複数のCNNアーキテクチャ（LeNet-5、ResNet、VGGNet、GoogLeNet/Inception）を用いて卵巣の悪性病変を検出することを検討し、最も性能の高いモデルを特定するために15のバリアントを作成しています。- 学習と評価には、Mendeleyが提供するOvarianCancer&SubtypesDatasetHistopathologyデータセットを使用しています。- 選択されたモデルは、ReLU活性化を備えたInceptionV3のバリアントで、拡張データセットに対して、精度、適合率、再現率、F1、 ROC/AUC の平均スコアが94%を達成しました。- 本研究では、LIME、Integrated Gradients、SHAP などの説明可能AI（XAI）手法を用いてブラックボックス予測を説明し、それらの説明を比較しています。- この研究の目的は、ディープラーニングとXAIを活用した卵巣癌の非侵襲的検出法の改善に寄与することです。

Abstract

性質上悪性の細胞の制御不能な増殖はがんである。近年、医療専門家はディープラーニングモデルを用いて医療データを分析し、臨床判断、疾病診断、薬剤発見を改善することで、診断・治療能力を高め続けています。多くのがんはこれらの技術を取り入れることで研究・治療されています。しかし卵巣がんは非侵襲的検出手順の精度が低く、正確な検出には時間がかかり、侵襲的な手法が必要であるため依然として難題となっています。したがって、本研究では、LeNet-5、ResNet、VGGNet、GoogLeNet/Inception などの複数の畳み込みニューラルネットワーク（CNN）を用い、卵巣がんを正確に検出・識別するモデルを選定するために15のバリアントを開発しました。効果的なモデル訓練のため、Mendeleyが提供するOvarianCancer&SubtypesDatasetHistopathologyデータセットを使用しました。モデルを構築した後、LIME、Integrated Gradients、SHAP などの説明可能AI（XAI）モデルを用いて、選択したモデルのブラックボックス出力を説明しました。モデルの性能評価には、Accuracy、Precision、Recall、F1-Score、ROC曲線およびAUCが用いられました。評価から、ReLUを用いたややコンパクトなInceptionV3モデルが全体として最良の結果を示し、拡張データセットにおけるすべての性能指標の平均スコアが94%を達成しました。最後に、XAIについては前述の3つのXAIを用いて総合的な比較分析を実施しました。本研究の目的は、本研究の貢献が卵巣がんのより良い検出法の実現に寄与することである。」} }#endif})