RADIOLOGY GLOSSARY
深層学習（Deep learning）
IN ONE LINE
一言でいうと
多層のニューラルネットワークを用いてデータの表現や予測を学ぶ機械学習の手法です。学習時の成績だけで臨床性能が保証されるわけではなく、独立した評価が必要です。
BEGINNER GUIDE
はじめて学ぶ方へ
画像などから、複数の層を通じて役立つ特徴を学びます。答えを暗記しただけになっていないか、未学習の患者データで調べます。
身近なイメージ
胸部画像の分類モデルでは、同じ患者の画像を学習用と試験用へ分けて混入させると性能を過大評価し得ます。患者や施設の依存を確認して評価データを分離します。
そもそも深層学習とは？
機械学習に含まれる手法です。
モデル単体の成績と臨床での有用性を分けます。
定義・しくみ
複数の処理層を持つニューラルネットワークのパラメータをデータから学び、特徴表現と分類・回帰等を行う手法です。教師あり学習だけに限定されません。医学画像で用いる際は対象患者、入力、目的と参照基準を明確にし、学習と独立したデータで適用範囲を評価します。
CORE FORMULA
基本公式
学習は損失L(θ)を小さくするようパラメータθを更新する形で表せます。
FORMULA NOTES
公式の補足
損失関数と臨床的な有効性は同じ量ではありません。
例の感度・特異度は閾値と集計対象に依存します。
具体例で確認
教材用の二値分類で、陽性100例中90例、陰性100例中80例を正しく判定しています。
正解率==85%、感度==90%、特異度==80%
正解率だけでは見逃しと偽陽性の内訳を示せません。この人工的な例の性能を実臨床の有効性へ代用しません。
専門的にもう一歩
入力の装置・撮影条件や患者集団の変化で性能が低下する場合があります。参照基準の誤差、過学習、データ漏えい、集団別性能や不確実性を評価します。人とAIを組み合わせた実際のワークフローを対象に、意図した使用とリスクに見合う検証・監視を行い、出力を無条件に診断の正解とは扱いません。
臨床・測定での確認点
- 患者・施設等の依存を確認して分離します。
- 想定用途に適切な参照基準を使います。
- 導入後も性能変化と使われ方を確認します。
覚えるポイント
- 多層ニューラルネットワーク
- 機械学習との包含関係
- 独立評価と過学習
間違えやすい点
- 学習成績をそのまま臨床性能としない
- 同じ患者の画像を独立データとしない
- AIの高い出力値を必ず正しい確率としない