Open namakemono opened 5 years ago
過去数十年の間に、眼底写真の大きなデータセットが糖尿病性網膜症（ＤＲ）スクリーニングネットワークで収集されてきた。これらのデータセットは、ディープラーニングを通じて、スクリーニングを自動化することを目的として、DRおよび他のいくつかの頻度の高い病態について自動検出器をトレーニングするために使用されました。一つの難題はそのようなシステムの採用を今のところ制限する：自動検出器は眼科医が現在検出するまれな条件を無視する。その理由は、標準的なディープラーニングではこれらの条件の例が多すぎることです。この制限に対処するには、乳頭浮腫や前部虚血性視神経症のようなまれな条件の自動検出のための、スピンオフ学習と呼ばれる新しい機械学習（ML）フレームワークを提案します。このフレームワークは、頻繁な条件について訓練された畳み込みニューラルネットワーク（CNN）を拡張します。まれな状態検出のための教師なし確率モデルを使って。スピンオフ学習は、たとえこれらのCNNが無関係な条件を検出するように訓練されていたとしても、CNNはしばしば同じ異常を含む写真を類似として認識するという観察に基づいています。この観測は、確率モデルに組み込むことにしたt-SNE可視化ツールに基づいています。スピンオフ学習はヒートマップの生成をサポートするため、意思決定支援のために検出された異常を画像内で強調表示することができます。ＯＰＨＤＩＡＴスクリーニングネットワークからの１６４，６６０個のスクリーニング検査のデータセットにおける実験は、スピンオフ学習が、ＲＯＣ曲線下面積（ＡＵＣ）が０．８（平均ＡＵＣ：０．９３８）よりも大きい４１個のうち３７個の条件を検出できることを示す。特に、スピンオフ学習は、マルチタスク学習、トランスファー学習、ワンショット学習など、まれな条件を検出するための他のMLの候補フレームワークよりもはるかに優れています。我々はこれらのより豊富な予測が自動眼病理学スクリーニングの採用を引き起こすことを期待しており、それは眼科学における臨床診療に革命を起こすであろう。
どんなもの？
過去数十年の間に、眼底写真の大きなデータセットが糖尿病性網膜症（ＤＲ）スクリーニングネットワークで収集されてきた。これらのデータセットは、ディープラーニングを通じて、スクリーニングを自動化することを目的として、DRおよび他のいくつかの頻度の高い病態について自動検出器をトレーニングするために使用されました。一つの難題はそのようなシステムの採用を今のところ制限する：自動検出器は眼科医が現在検出するまれな条件を無視する。その理由は、標準的なディープラーニングではこれらの条件の例が多すぎることです。この制限に対処するには、乳頭浮腫や前部虚血性視神経症のようなまれな条件の自動検出のための、スピンオフ学習と呼ばれる新しい機械学習（ML）フレームワークを提案します。このフレームワークは、頻繁な条件について訓練された畳み込みニューラルネットワーク（CNN）を拡張します。まれな状態検出のための教師なし確率モデルを使って。スピンオフ学習は、たとえこれらのCNNが無関係な条件を検出するように訓練されていたとしても、CNNはしばしば同じ異常を含む写真を類似として認識するという観察に基づいています。この観測は、確率モデルに組み込むことにしたt-SNE可視化ツールに基づいています。スピンオフ学習はヒートマップの生成をサポートするため、意思決定支援のために検出された異常を画像内で強調表示することができます。ＯＰＨＤＩＡＴスクリーニングネットワークからの１６４，６６０個のスクリーニング検査のデータセットにおける実験は、スピンオフ学習が、ＲＯＣ曲線下面積（ＡＵＣ）が０．８（平均ＡＵＣ：０．９３８）よりも大きい４１個のうち３７個の条件を検出できることを示す。特に、スピンオフ学習は、マルチタスク学習、トランスファー学習、ワンショット学習など、まれな条件を検出するための他のMLの候補フレームワークよりもはるかに優れています。我々はこれらのより豊富な予測が自動眼病理学スクリーニングの採用を引き起こすことを期待しており、それは眼科学における臨床診療に革命を起こすであろう。
先行研究と比べてどこがすごい？
技術や手法のキモはどこ？
どうやって有効だと検証した？
議論はある？
次に読むべき論文は？