TumorXAI：説明可能な脳MRI腫瘍分類のための自己教師あり深層学習フレームワーク

arXiv cs.AI / 2026/5/5

📰 ニュースIdeas & Deep AnalysisTools & Practical UsageModels & Research

共有:

要点

ラベル付きデータが限られている状況でも、脳MRIから腫瘍を分類し説明可能性を持たせる「TumorXAI」手法を提案しています。
ResNet-50 をバックボーンとして、SimCLR・BYOL・DINO・MoCo v3 の4つの自己教師あり学習（SSL）手法を、4,448件のMRIデータ（17種類の腫瘍タイプ）で評価します。
データセット上で SimCLR は非常に高い性能（精度・適合率・再現率・F1 がいずれも 99.64% と報告）を示し、ラベルが限られる場合に SSL が教師ありベースラインより優れるとしています。
前処理、データ拡張を伴うSSL事前学習、微調整や線形評価を組み合わせ、説明可能性には Grad-CAM、Grad-CAM++、EigenCAM を用いています。
総じて、著者らは未ラベルの医療画像データを活用した脳腫瘍診断において、本手法がスケーラブルで信頼できると結論づけています。

概要: 磁気共鳴画像法（MRI）を用いた脳腫瘍の分類は、早期診断と治療のために極めて重要です。しかし、腫瘍の不均一性と注釈付きデータセットの不足により、教師あり深層学習アプローチの利用が制限されています。本研究では、自分自身の学習（SSL）を用いて多クラスの脳腫瘍分類を検討します。ResNet-50 をバックボーンとして、SimCLR、BYOL、DINO、Moco v3 の4つの SSL フレームワークを、17種類の異なる腫瘍タイプを含む公開データセット（4,448枚のMRI）上で評価します。データセットにおいて、SimCLR は 99.64% の精度、99.64% の適合率、99.64% の再現率、99.64% の F1 スコアを達成しました。ワークフローには、前処理、微調整、線形評価、データ拡張を伴う SSL の事前学習が含まれます。その結果、ラベルが限られる場合、SSL で事前学習したモデルは、F1 スコア、再現率、精度、適合率の観点で教師ありのベースラインを上回ることが示されました。さらに、モデルの判断に関する視覚的な洞察を提供することで、説明可能なAI（Explainable AI）手法（Grad-CAM、Grad-CAM++、EigenCAM）は解釈性を高めます。これらの結果は、ラベルなしの医療データから脳腫瘍を診断する上で、SSL が拡張性と信頼性を備えていることを示しています。