オドントジェニック腫瘍の診断のためのコンボリューションニューラルネットワークに対するトランスファー・ラーニングの影響
Daniela Giraldo-Roldán1, Thaís Cerqueira Reis Nakamura2, Anderson Faria Claret3
1Faculdade de Odontologia de Piracicaba, Department of Oral Diagnosis, Oral Pathology Area, Piracicaba Dental School, Universidade de Campinas (FOP- UNICAMP), Av. Limeira, 901, Piracicaba, São Paulo, 13.414-903, Brazil.
Head and neck pathology
|February 19, 2026
まとめ
ImageNetのプレトレーニングを使用したトランスファー・ラーニングは,オドントジェニック腫瘍を分類するためのコンボリューションニューラルネットワーク (CNN) のパフォーマンスを大幅に改善しました. EfficientNetV2B0は,AIを強調して,最も多くの改善を示しました.
科学分野:
- コンピューティング病理学
- 医療における人工知能
- デジタルヒストパトロジー デジタルヒストパトロジー
背景:
- オドントジェニック腫瘍は,重複する組織学的特徴のために診断上の課題を提示します.
- コンヴォルションニューラルネットワーク (CNN) は,自動化されたヒト病理学的分類の有望性を示しています.
- この領域におけるCNNのパフォーマンスに対する移転学習の影響については,さらなる調査が必要である.
研究 の 目的:
- 3つのオドントジェニック腫瘍を分類するCNNのパフォーマンスを向上させるためのトランスファー・ラーニングの有効性を評価する.
- イメージネットの予備訓練と未予備訓練の7つのCNNアーキテクチャのパフォーマンスを比較するために.
- 診断の信頼性に対するモデルの複雑性とデータの異質性の影響を評価する.
主な方法:
- マルチセンターデータセットから得られた64枚のスライド画像を分析し,アデノマトイド性オドントジェニック腫瘍,アメロブラストーマ,アメロブラスト性癌を含む.
- 7つのCNNモデル (DenseNet121, EfficientNetV2B0, InceptionV3, MobileNet, ResNet50, VGG16, Xception) のトレーニングとテストは,455,107枚の画像パッチで実施されました.
- 精度,バランスのとれた精度,感度,特異性,F1スコア,AUCを用いたパフォーマンス評価.
主要な成果:
- ImageNetの予備訓練なしに,DenseNet121は最高レベルのパフォーマンスメトリックを達成しました.
- ImageNetのプレトレーニングは,すべてのテストされたCNNアーキテクチャでパフォーマンスを改善しました.
- EfficientNetV2B0は,プレトレーニング (精度=0.79,AUC=0.91) の後,全体的に最高の結果を示したが,DenseNet121は堅実なパフォーマンスを示した.
結論:
- ImageNetの重みによる移転学習は,オドントゲン腫瘍分類におけるCNNのパフォーマンスを大幅に向上させます.
- EfficientNetV2B0は,予備トレーニングに非常に反応し,DenseNet121は固有の強度を示しています.
- CNNベースのフレームワークは,口腔病理学の微分診断をサポートし,信頼性の高いAIシステムに貢献する可能性を示しています.
