Glioma subtype classification from histopathological images using in-domain and out-of-domain transfer learning: An experimental study
本研究の学術的「問い」は、成人型ひろがり性グリオーマ（脳腫瘍の一種）のコンピュータ支援分類において、様々な転送学習戦略とディープラーニングアーキテクチャの包括的な比較をどう行うか、です。具体的には、病理組織学の画像を対象としたImageNet（自然画像の大規模データセット）の表現の一般性を評価し、自己教師あり学習やマルチタスク学習アプローチを用いてモデルを事前学習することで、病理組織学の画像の中から大規模なデータセットを使用してドメイン適応の影響を調査することを目指しています。
本研究の目的は、上記の比較を行い、グリオーマの自動分類における各手法の利点と欠点を明らかにすることです。また、本研究の独自性と創造性は、二段階の半教師あり学習アプローチと予測の視覚化ツールを提案し、実装していることにあります。
従来、脳腫瘍の診断と病状把握は病理学者の目での微細な観察が必要で、これは主観的で、解釈にばらつきが出る傾向がありました。また、診断に使用される画像は非常に大きなデータ量を持っており、一般的なディープラーニング技術を直接適用することができません。さらに、ラベルが付けられたデータセットの不足も問題でした。そこで、この問題を解決するために転送学習が適用されるようになりましたが、その有効性と最適な手法について明らかにされていませんでした。本研究は、そうした背景から始まったものです。
本研究では、まず、転送学習のさまざまな手法を比較し、その有効性を評価しました。次に、自分たちで開発した半教師あり学習手法を適用し、この手法が従来の転送学習に対して優れた性能を発揮することを示しました。さらに、最終的な予測結果を可視化するツールも開発しました。
研究の有効性は、自分たちが収集した大規模なデータセットを使用した試験により確認されました。予測の正確性を評価するためにバランス精度とF1スコアを用い、それぞれ96.91％、97.07％という結果を得ました。