深層学習のための深層学習パフォーマンス：生物医学画像におけるセグメンテーションにはどのくらいのデータが必要か？
Junhyeok Lee1, Hyungjin Chung2, Minseok Suh3
1Interdisciplinary Program in Cancer Biology, Seoul National University College of Medicine, Seoul, Republic of Korea.
PloS one
|December 31, 2025
まとめ
医療画像における深層学習（DL）のデータセットサイズの推定は非常に重要です。本研究では、Long Short-Term Memory（LSTM）ネットワークを使用したフレームワークを導入し、セグメンテーションパフォーマンスを予測します。これにより、実行可能なDLモデルには適度なデータで十分であることが示されます。
科学分野:
- 生物医学画像
- 人工知能
- 医療画像分析
背景:
- 深層学習（DL）モデルは、画像セグメンテーションによる定量的分析のために生物医学画像において不可欠です。
- 従来のサンプルサイズ推定方法は、高次元データと非線形学習のため、DLには失敗します。
- 正確なデータセットサイズ推定は、臨床設定における効率的なDLモデル開発に不可欠です。
主な方法:
- 大腸ポリープおよび神経膠腫のセグメンテーションのために、さまざまなデータサブセット（2Dの場合は2％〜100％、3Dの場合は5％〜100％）で残差U-Netをトレーニングしました。
- データ飽和点を特定するために、Dice Similarity Coefficient（DSC）などのパフォーマンスメトリックを分析しました。
- パフォーマンス予測のために、一方向LSTMネットワークを使用したサロゲートモデリングパイプラインを開発しました。
結論:
- セグメンテーションパフォーマンスは、LSTMのような軽量サロゲートモデルを使用して信頼性高く推定できます。
- 臨床的に実行可能なDLモデルを開発するには、適度な量の高品質なデータを収集することがしばしば十分です。
- 提案されたフレームワークは、医療AI開発におけるリソース割り当てを最適化するための実用的な方法を提供します。