病理組織画像における深層学習ベースの肺腺癌サブタイプ分類：DS-EffNetを用いたアプローチ

科学分野:

• 腫瘍学
• 医用画像処理
• 計算機科学

背景:

• 肺腺癌（LADC）のサブタイプ分類は、疾患の不均一性を理解し、治療を導く上で極めて重要である。
• 病理組織画像の解析は、その複雑さと不均一性から課題を提示する。

研究 の 目的:

• 正確なLADCサブタイプ分類のための効率的な深層学習モデルを開発する。
• 病理組織画像における特徴抽出と複雑な病理パターンのモデリングを強化する。

主な方法:

• EfficientNetV2-Sに、デプスワイズ分離可能残差ブロック（DSResBlock）、RefConv、チャネルアテンションプーリング（CAP）、多次元協調アテンション（MCA）モジュールを統合する。
• 最適化された特徴抽出とパターンモデリングのためにDS-EffNetモデルを開発する。

主要な成果:

• DS-EffNetモデルは、プライマリデータセットにおいて95.1%の精度、0.938のF1スコア、0.994のAUCを達成した。
• LC25000データセットで100%の汎化精度を達成し、施設間での性能を示した。
• アブレーションスタディにより、各モジュール、特にMCA（複雑な特徴のため）とRefConv（計算効率のため）の相乗的な貢献が確認された。

結論:

• 提案されたDS-EffNetモデルは、LADCサブタイプ分類のための新規かつ効率的なアプローチを提供する。
• モデルの性能は、病理医による迅速なサブタイプ情報提供を支援するツールとしての可能性を示唆している。
• 本研究は、他の病理学的タスクに適用可能な医療画像分類のための新しい設計パラダイムを提供し、治療層別化に貢献する。