2つの大規模眼底コホートを用いた網膜基盤モデルにおける事前学習データの影響の理解

科学分野:

• 医療における人工知能
• 眼科学
• 医療画像解析

背景:

• 大規模データセットで事前学習された医療基盤モデルは、臨床アプリケーションにおいて効率を提供します。
• これらのモデルの一般化可能性と公平性に対する事前学習データの影響は、よく理解されていません。

研究 の 目的:

• 事前学習データの特性が、医療基盤モデルの一般化可能性と公平性にどのように影響するかを調査すること。
• 異なる大規模コホートで学習した網膜基盤モデルのパフォーマンスと公平性を評価すること。

主な方法:

• 2つの異なるコホート（Moorfields Eye HospitalおよびShanghai Diabetes Prevention Program）で並列基盤モデルを学習させました。各コホートはそれぞれ904,170枚の眼底写真で構成されていました。
• 公開データセットおよびサイト固有の保持データを使用して、下流タスクにおけるモデルのパフォーマンスと公平性を評価しました。
• 年齢、性別、民族のサブグループ全体で公平性を評価しました。

主要な成果:

• 網膜基盤モデルは、事前学習セットとは異なるデータで評価した場合でも、競争力のあるパフォーマンスを示し、良好な一般化可能性を示唆しました。
• 年齢サブグループ間で公平性のギャップが観察されました。
• 性別および民族サブグループは、モデルの公平性にほとんど影響しませんでした。

結論:

• 網膜画像のための基盤モデルは、多様なデータセット全体で良好な一般化可能性を示します。
• 事前学習データの人口統計は、特に年齢に関して、モデルの公平性を著しく形成します。
• 公平で効率的な医療基盤モデルを開発するには、ドメイン固有の、きめ細かなデータキュレーションが不可欠です。