DINO V2モデルと意味検索に基づく医療画像診断のための説明可能な自己監督学習
Alaa Hussien1, Abdelkareem Elkhateb1, Mai Saeed1
1Machine Learning and Information Retrieval Department, Faculty of Artificial Intelligence, Kaferelshikh University, Kaferelshikh, 33511, Egypt.
Scientific reports
|September 1, 2025
まとめ
自己監督学習 (SSL),特にDINOv2は,医療画像診断の正確性と解釈性を向上させます. このアプローチはデータラベリングの限界を克服し,効率的な意味学的な検索機能を通じて臨床的意思決定を改善します.
科学分野:
- 医療における人工知能
- 医学画像分析
- 深層学習
背景:
- 診断と治療の計画には 医学的なイメージングが不可欠ですが 放射線科医の能力は増加し 遅延や誤りが生じます
- ディープラーニング (DL) は医療画像診断に有望ですが,ラベル付きデータへの依存は臨床応用を制限しています.
- セルフ・スーパーバイザー・ラーニング (SSL) は,医療AIにおけるデータラベル付けの課題を克服するための解決策を提供します.
研究 の 目的:
- 様々な医療画像データセットでSSL,特にDINOv2のパフォーマンスを評価する.
- 医療画像診断のための従来の監督学習 (SL) モデルと比較するSSL方法.
- 医療データベースのセマンティック検索のためのDINOv2エンブレディングを活用した新しいフレームワークを導入し,臨床ワークフローを強化します.
主な方法:
- Qdrant経由で医療データベースのセマンティック検索のためにDINOv2の埋め込みを使用し,同様の症例の効率的な検索を可能にしました.
- 様々な医療画像データセットでSSLモデル (DINOv2,BYOL,SimCLR) と伝統的なSLモデルの診断精度を比較した.
- ViT-CXと統合されたDINOv2は,モデル解釈のために臨床的に実行可能なヒートマップを生成するために,トランスフォーマーに合わせた因果説明法です.
主要な成果:
- SSL,特にDINOv2は,従来のSLと比較して優れた診断精度を示し,肺がん,脳腫瘍,白血病,および眼網膜疾患のデータセットで高いパフォーマンスを達成しました.
- DINOv2のフレームワークは,臨床医が同様の医療症例を迅速に取得できるように,効率的な意味検索を可能にしました.
- DINOv2とViT-CXの組み合わせは,解釈可能なヒートマップを提供し,腫瘍または細胞パターンを強調しました.
結論:
- 自己監督学習,特にDINOv2は,医療イメージングにおけるデータラベリングの限界を効果的に解決し,診断の精度を向上させます.
- 開発されたフレームワークは,意味検索と解釈可能なAIを統合し,医療画像分析の効率と信頼性を大幅に改善します.
- この研究は 医療診断における より高度で正確な 臨床的に適用可能な AI ツールへの道を開きます
