要旨: 自動化された白血球（WBC）分類は白血病のスクリーニングに不可欠であるが、極端なクラス不均衡、長尾分布、ドメインシフトによって依然課題が残り、深層モデルが支配的なクラスへ過剰適合し、希少サブタイプでうまく機能しない。希少クラス一般化のためのハイブリッドフレームワークを提案する。生成的 Pix2Pix ベースの復元モジュールを用いたアーティファクト除去、MedSigLIP の対比埋め込みを用いた堅牢な表現学習を実現する Swin Transformer アンサンブル、そして幾何的スパイク性とマハラノビスに基づく形態的制約を用いた生物学的に着想を得たリファインメントステップを統合し、分布外予測を回復する。WBCBench 2026 チャレンジで評価したところ、私たちの手法はプライベートリーダーボードで Macro-F1 0.77139 を達成し、厳しい不均衡の下で高い性能を示し、血液学的画像解析における深層学習へ生物学的事前知識を取り入れる価値を強調する。
極端なロングテール白血球分類における深層学習と生物学的ヒューリスティクスの相乗効果
arXiv cs.CV / 2026/3/18
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 著者らは、アーティファクト除去の Pix2Pix ベースの復元モジュール、MedSigLIP の対照埋込みを用いた Swin Transformer のアンサンブルによる堅牢な表現学習、および幾何学的鋭さとマハラノビス距離に基づく形態的制約を取り入れた生物学的着想のリファインメント段階を組み合わせた、希少クラス一般化のハイブリッドフレームワークを提案する。
- アプローチは、極端なロングテール分布、クラス不均衡、ドメインシフトに対処し、支配的クラスへの過学習を防止するとともに、希少サブタイプの性能を改善する。
- WBCBench 2026 チャレンジのプライベートリーダーボードで Macro-F1 スコア 0.77139 を達成し、深刻な不均衡条件下での高い性能を示した。
- 本研究は、血液学的画像解析における深層学習へ生物学的事前知識を取り入れる価値を強調し、ドメイン知識と AI との有意な相乗効果を示唆している。
- パイプラインの構成要素であるアーティファクト除去、対照学習による表現学習、及び形態情報を用いたリファインメントは、医用画像タスクにおける未知の分布への一般化を総合的に高める。
