RADIOLOGY GLOSSARY
教師あり学習（Supervised learning）
IN ONE LINE
一言でいうと
入力の特徴量と対応する目的値・ラベルの組を用いて、その対応関係を学ぶ機械学習の方法です。
BEGINNER GUIDE
はじめて学ぶ方へ
入力と答えの例を示して、まだ見ていない入力への予測を学ぶ方法です。
身近なイメージ
教材で患者ごとの画像と病変ラベルを学習し、重複しない患者群の画像を予測します。 未知患者で評価します。同じ患者の別画像を混ぜた高成績を一般化性能の証明にしません。
そもそも教師あり学習とは？
入力と答えの例を示して、まだ見ていない入力への予測を学ぶ方法です。
入力と目的値。／分類と回帰。／未知データでの評価。
定義・しくみ
入力の特徴量と対応する目的値・ラベルの組を用いて、その対応関係を学ぶ機械学習の方法です。分類と回帰等が含まれ、学習に使ったデータの成績と未知データに対する性能を区別して評価します。
FORMULA
分類の確率と連続値の回帰を区別します。
目的値の単位と評価指標を一致させます。
具体例で確認
教材で患者ごとの画像と病変ラベルを学習し、重複しない患者群の画像を予測します。
未知患者で評価します。同じ患者の別画像を混ぜた高成績を一般化性能の証明にしません。
専門的にもう一歩
画像と診断ラベル、特徴量と連続値等の関係をモデルへ適合します。ラベルの定義・信頼性と対象集団の代表性を確認し、患者単位等の適切な分割で評価します。教師のラベルは必ず完全な真実とは限らず、誤りや偏りを学習し得ます。学習後の臨床適用には独立した評価、校正や使用目的への妥当性が必要です。
臨床・測定での確認点
- ラベルの作り方と終点を記録します。
- 患者や施設・時点の分割を目的に合わせます。
- 学習・調整と最終評価を分離します。
覚えるポイント
- 入力と目的値。
- 分類と回帰。
- 未知データでの評価。
間違えやすい点
- 教師が人であることだけを意味しません。
- ラベルが必ず正しいとは限りません。
- 訓練成績だけで臨床性能を保証しません。