設計により堅牢に：医療AIのための継続的モニタリングとデータ統合フレームワーク
arXiv cs.CV / 2026/4/13
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- 本論文は、実臨床の環境で生じるデータドリフトに対して適応型医療AIモデルの堅牢性を維持するため、自律的な継続的モニタリングとデータ統合のフレームワークを提案する。
- 複数指標による特徴量解析と、モンテカルロドロップアウトによる不確実性ゲーティングを用い、統計的に学習データ分布と類似し、かつ予測エントロピーが低い新規画像のみを取り込む。
- 性能の劣化が5%の閾値を超えないようにする保護策付きで、インクリメンタルな再学習をサポートし、壊滅的忘却（catastrophic forgetting）の回避を目指す。
- ResNet18アンサンブルと多施設データセットによる糸球体病理画像の分類に関する実験では、新たな画像を追加していっても性能が維持されることが示される（AUCは約0.92、精度は約89%）。
- 全体として、本アプローチは、ドリフト検出、選択的なデータ取り込み、制御された継続学習を組み合わせることで、医用画像AIの長期的な信頼性を実現することを目標としている。
