ブラックボックスの解明:眼疾患の診断のための説明可能な移転学習
Zaib Un Nisa1, Arfan Jaffar1, Sohail Masood Bhatti1
1Department of Computer Science and Information Technology, The Superior University, Lahore, Pakistan.
Digital health
|February 16, 2026
まとめ
移転学習モデルは,糖尿病性網膜症などの眼疾患の診断に有望である. しかし,説明可能なAIは,信頼性の高いモデルの選択,特にグラウコマのような疾患において極めて重要です.
科学分野:
- オフタルモロジック (眼科)
- 人工知能 (AI) とは,人工知能 (AI) のことです.
- メディカルイマージング (医学イメージング)
背景:
- マルチクラス眼疾患の診断は,患者のアウトカムにとって極めて重要です.
- トランスファー・ラーニング (TL) とディープ・ラーニングは,自動診断の可能性を秘めています.
- モデルの信頼性と解釈性を評価することは,臨床採用に不可欠です.
研究 の 目的:
- マルチクラス眼疾患診断のための移転学習モデルを体系的に評価する.
- 説明可能な人工知能 (AI) を用いてこれらのモデルの信頼性を評価する.
主な方法:
- 公開データセットで,事前に訓練された8つのコンヴォルションニューラルネットワーク (CNN) モデルが評価されました.
- パフォーマンスメトリックには,正確さ,精度,リコール,F1スコアが含まれていました.
- 説明性技術 (Grad-CAM, LIME, SHAP) が採用されました.
主要な成果:
- モデルでは,糖尿病性網膜症と白内障の検出 (DenseNet121,XceptionNet) の高い精度を達成しました.
- グラウコマの診断は,より弱い結果を示し,セグメンテーションベースのアプローチの必要性を示唆しました.
- 説明性により,類似の精度にもかかわらず,モデルの注意の有意な違いが明らかになった.
結論:
- 信頼性の高い医療AIには,精度だけでは不十分です.
- 説明可能なAIは,信頼性の高い診断モデルを選択するために不可欠です.
- EfficientNetB3は,パフォーマンスと解釈性のバランスをよく示した. 緑内障の診断には,高度なパイプラインが必要です.
