医療画像におけるAIのための物理埋め込み特徴学習

arXiv cs.LG / 2026/3/31

💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文では、腫瘍の成長ダイナミクスをCNNの特徴学習に統合し、より解釈可能で頑健な医療画像モデルを実現する、物理埋め込み型の深層学習フレームワークPhysNetを提案する。
出力レベルの物理インフォームド手法とは異なり、PhysNetは反応拡散型の腫瘍成長モデルをResNetバックボーンの中間表現に埋め込み、エンドツーエンドで学習する。
PhysNetは、多クラスの脳MRI腫瘍分類を行いながら、潜在腫瘍密度場、その時間的進展、拡散率や成長率といった生物学的に意味のあるパラメータも同時に学習する。
大規模な脳MRIデータセットでの実験により、PhysNetはMobileNetV2、VGG16/VGG19、アンサンブル手法などの複数の強力なベースラインよりも優れており、精度とF1スコアが向上することが示される。
学習された潜在表現および物理パラメータは、確立された医学的知見と整合することが報告されており、AI予測に対する臨床的な信頼を高めるという目標を支持する。

Abstract

深層学習（DL）モデルは知能医療の領域で高い性能を達成していますが、既存の多くの手法はブラックボックスとして機能し、腫瘍の増殖を支配する物理過程を無視しているため、解釈可能性、頑健性、そして臨床的な信頼が制限されています。この制約に対処するために、我々はPhysNetを提案します。PhysNetは、腫瘍増殖のダイナミクスを畳み込みニューラルネットワーク（CNN）の特徴学習プロセスに直接組み込む、物理埋め込み型のDLフレームワークです。出力レベルにのみ物理制約を課す従来の物理情報入り手法とは異なり、PhysNetは、ResNetバックボーンの中間的な特徴表現の中に、腫瘍増殖の反応拡散モデルを埋め込みます。このアーキテクチャは、潜在的な腫瘍密度場、その時間的進展、そして腫瘍の拡散率や増殖率を含む生物学的に意味のある物理パラメータを、エンドツーエンド学習を通じて同時に学習しながら、多クラス腫瘍分類を実行します。純粋にデータ駆動のモデルは、高精度であったりアンサンブルベースであったとしても、物理的に整合した予測を保証したり、腫瘍の挙動に関する洞察を提供したりすることはできないため、この設計が必要です。大規模な脳MRIデータセットに関する実験結果では、PhysNetがMobileNetV2、VGG16、VGG19、ならびにアンサンブルモデルを含む複数の最先端DLベースラインを上回り、分類精度とF1スコアで優れた性能を示しました。性能の向上に加えて、PhysNetは解釈可能な潜在表現と、確立された医学的知識と整合するように学習された生物-物理パラメータを生成します。これにより、物理埋め込み表現学習が、より信頼でき、かつ臨床的に意味のある医療AIシステムへ向かう実用的な道筋であることが示されます。