RADIOLOGY GLOSSARY
機械学習（Machine Learning）
IN ONE LINE
一言でいうと
データから規則性やモデルのパラメータ等を学び、分類・予測などの処理に利用する方法です。訓練での性能が未知の患者での性能を保証するわけではありません。
BEGINNER GUIDE
はじめて学ぶ方へ
たくさんの例から特徴を学び、新しい例を分類したり予測したりする方法です。学んだデータを覚えるだけになっていないか、別のデータで確かめます。
身近なイメージ
画像から病変候補を示すモデルを学習し、学習に使わない患者の画像で評価します。同じ患者の別画像が評価側へ混ざると独立性を損なう場合があります。
そもそも機械学習とは？
教師あり・教師なし等の学習方法があります。
学習・調整と独立した評価、対象患者への適用性を区別します。
定義・しくみ
明示的な個々の規則をすべて手作業で書く代わりに、データに基づいてモデル等を形成する計算手法です。ラベル付きデータの分類・回帰やラベルなしの構造探索などがあります。深層学習は機械学習の一群で、機械学習が必ず深いニューラルネットワークを用いるわけではありません。
CORE FORMULA
基本公式
MSE = )Σi(予測値i−参照値i)²（回帰の評価例）
FORMULA NOTES
公式の補足
MSEは二乗単位、RMSEは元の単位です。
単一の精度指標や訓練精度だけで臨床安全性を決めません。
具体例で確認
教材用の回帰で、二例の予測誤差が＋1と−3で同じ単位とします。
平均二乗誤差 MSE==5
MSEは5で、単位は元の量の単位の二乗です。これは一つの誤差指標で、臨床的有用性全体を保証しません。
専門的にもう一歩
学習データへの過適合や患者・施設・撮影装置の偏りは汎化性能を下げます。評価データで調整を繰り返すことや、関連するデータが分割をまたぐことによるリークを避けます。参照基準の質、対象集団の代表性、臨床状況での人とAIの性能を検証し、導入後の変化も監視します。確率出力が常に校正されているとも、導入後に自動で学び続けるとも限りません。
臨床・測定での確認点
- 対象患者・装置・参照基準と用途を明示します。
- 患者単位等で独立した評価データを確保します。
- 人の判断との関係と導入後の監視を設計します。
覚えるポイント
- データから学ぶ方法
- 教師あり等と深層学習の位置付け
- 独立評価・過適合とリーク
間違えやすい点
- すべてのAIを機械学習と同義にしない
- 訓練で高精度なら新施設でも保証としない
- 患者の関連画像を混ぜた分割を必ず独立としない