糸球体AIにおけるショートカット学習：逆対的ペナルティは損なうが、エントロピーは助ける

要旨: 染色のばらつきは、腎病理AIにおける分布シフトの広範な原因であり、ショートカット学習の潜在的な要因でもある。本研究では、ループス腎炎の糸球体病変分類器がショートカットとして染色を利用していないか、また染色ラベルや部位ラベルなしでこのようなバイアスをどのように緩和できるかを問う。3つの施設と4種類の染色（PAS, H\&E, Jones, Trichrome）にまたがる365枚のWSIから、9{,}674個の糸球体パッチ（224\times224）からなる多施設・多染色データセットを構築し、増殖性 vs.\ 非増殖性としてラベル付けした。3つの設定で、モンテカルロドロップアウトを用いたベイズCNNおよびViTバックボーンを評価する: (1) 染色のみの分類; (2) 病変と染色を同時に予測するデュアルヘッドモデル（教師ありの染色損失付き）; (3) 糸球体のラベルなしの染色正則化として、染色ヘッドに対するエントロピー最大化を用いたデュアルヘッドモデル。 (1) では、染色の同一性は自明に学習可能であり、強い候補となるショートカットが確認できる。 (2) では、染色の教師あり学習の強度と符号を変えると染色の性能は大きく変動するが、病変の指標は本質的に不変であり、この多染色・多施設データセットでは、染色に駆動されたショートカット学習は測定可能な形では起きていないことが示される。一方で、過度に敵対的な染色ペナルティは予測不確実性を増大させる。 (3) では、エントロピーに基づく正則化により、染色予測は偶然レベル付近に保たれつつ、病変の精度やキャリブレーションを損なわない。総合すると、慎重に構築した多染色データセットは染色ショートカットに対して本質的に頑健であり、ラベルなしのエントロピー正則化を備えたベイズのデュアルヘッドアーキテクチャは、糸球体AIにおける染色関連ドリフトの可能性に対する、単純で運用しやすい安全策を提供する。