Weakly Supervised Pneumonia Localization from Chest X-Rays Using Deep Neural Network and Grad-CAM Explanations

技術要約：胸部X線写真を用いた肺炎の弱教師あり局在化

問題提起
肺炎は依然として世界的な罹患率および死亡率の主要な原因であり、胸部X線写真は主要な診断ツールとして機能している。しかし、正確な診断は、微妙な病変、放射線科医によるばらつき、およびディープラーニングモデルの「ブラックボックス」的な性質によってしばしば妨げられる。畳み込みニューラルネットワーク（CNN）やVision Transformer（ViT）は、最先端の分類能力を示しているが、通常は解釈性に欠ける。さらに、完全教師あり学習による局在化手法は、コストのかかるピクセルレベルのアノテーション（セグメンテーションマスクやバウンディングボックスなど）を必要とし、これらを大規模に取得することは困難である。本研究は、ピクセルレベルのラベルなしで高い診断精度を達成しつつ、モデルの決定に対して臨床的に意味のある透明な説明を提供するという二重の課題に取り組むものである。

手法
著者らは、画像レベルのラベル（正常 vs 肺炎）のみを利用して、分類と空間的な局在化の両方を行う、統一された弱教師あり学習（WSL）フレーム一枠を提案している。コアとなる手法は以下の通りである：

• データセットのキュレーション: 本研究では、公開されているChest X-rayデータセット[3]を利用している。データ漏洩を防ぐため、著者らはデータを患者レベルで再分割（訓練70%、検証15%、テスト15%）し、複数のスプリット間に同一の患者IDが現れないようにした。画像は224×224にリサイズされ、疑似RGBに変換された後、回転、反転、明るさ調整、およびノイズによる拡張が行われた。
• モデルのベンチマーク: 以下の7つの事前学習済みアーキテクチャを、同一の訓練条件下で評価した：
  • CNN: ResNet-18, ResNet-50, DenseNet-121, EfficientNet-B0, MobileNet-V2, MobileNet-V3
  • Transformer: Vision Transformer (ViT-B/16)
• 訓練戦略: すべてのモデルはImageNetの重みで初期化された。深刻なクラス不均衡（正常404枚 vs 肺炎3,692枚）に対処するため、著者らはFocal Loss（容易なサンプルへの重みを軽減）と、少数クラスのランダムなオーバーサンプリングを採用した。訓練にはAdamオプティマイザを使用し、検証ROC-AUCに基づく早期終了（early stopping）を用いた。
• Grad-CAMによる局在化: ピクセルレベルの正解ラベルなしでヒートマップを生成するために、本研究ではGradient-weighted Class Activation Mapping (Grad-CAM) を適用した。
  • CNNの場合、勾配は最後の畳み込み層から計算された。
  • ViTの場合、パッチ埋め込みを空間単位として扱うことで、最後のトランスフォーマーエンコーダーの最終MLPブロックからの活性化と勾配を捉えるように定式化を適応させた。
• 定量的評価: ピクセルレベルのマスクが存在しないため、**肺注意比（Lung Attention Ratio: LAR）**を導入した。この指標は、解剖学的な一貫性のプロキシ（代理指標）として、Grad-CAMの活性化エネルギーが粗い固定の肺関心領域（ROI）内に落ちる割合を算出するものである。

主な結果

• 分類性能: 7つのモデルすべてが高い識別性能を達成し、テスト精度は**96%から98%**の範囲に達した。
  • ResNet-18とEfficientNet-B0は、最高のテスト精度（98%）とF1スコア（0.987）を達成し、ROC-AUCおよびPR-AUCの値は0.997を超えた。
  • MobileNet-V3は、大幅に少ないパラメータ数（4.9M）でありながら、同等の精度（97%）を提供し、リソース制約のある環境への適合性を示した。
  • ResNet-50やDenseNet-121のような深いモデルは、わずかに低い汎化性能を示し、軽度の過学習を示唆した。
• 局在化と解釈性:
  • Grad-CAMの可視化により、肺炎症例においてモデルが中下肺野の放射線学的に関連のある不透過像に焦点を当てていることが確認された。
  • MobileNet-V3は、最もコンパクトでノイズのない局在化を示し、細菌性肺炎に対して0.693という高い肺注意比（LAR）と低い分散を示した。
  • ViT-B/16は、正常と細菌性肺炎の間の識別能は強かったが（LAR 0.172 vs 0.605）、ウイルス性肺炎に対しては、グローバルな自己注意メカニズムと一致する、より広く拡散した注意パターンを示した。
  • DenseNet-121は、正常症例において時折、偽の活性化を示し、EfficientNet-B0やResNet-50は、拡散した、あるいは標的外のホットスポットを示した。

主な貢献

1. 厳格なベンチマーク: 本研究は、データ漏洩を排除するための患者単位のデータ分割を含む、同一の訓練プロトコルの下で6つのCNNアーキテクチャと1つのVision Transformerの公平な比較を提供している。
2. 弱教師あり局在化: 画像レベルのラベルのみを用いて、Grad-CAMを通じて臨床的に意味のあるヒートマップを生成できることを示し、高価なピクセルレベルのアノテーションへの依存を排除した。
3. 定量的解釈性: 肺注意比（LAR）の導入は、正解のセグメンテーションが存在しない状況において、説明可能なAIの出力の解剖学的一貫性を評価するための軽量な定量的手法を提供する。
4. 効率性の分析: 本研究は、診断精度と計算コストの最適なトレードオフとしてMobileNet-V3を特定し、多様なエッジおよびモバイルヘルスアプリケーションへの展開可能性を検証した。

意義と主張
本論文は、説明可能で弱教師ありのディープラーニング手法が、「ブラックボックス」的な画像分類と臨床的に解釈可能な意思決定支援との間の溝を効果的に埋めることができると主張している。手動のセグメンテーション訓練なしに、モデルが関連する肺領域に焦点を当てていることを検証することで、本研究は、肺炎スクリーニングにおけるAI支援の透明性と臨床的信頼を高めるための、このようなフレームワークの使用を支持している。著者らは、コンパクトなアーキテクチャが、Focal Lossおよび患者単位のスプリッティングと組み合わせることで、計算効率を維持しながら最先端に近い精度を達成できると結論付けており、多様な臨床現場への展開を容易にするものである。

今後の方向性
著者らは、現在の研究が単一のデータセットに限定されていることを謙虚に述べている。彼らは、堅牢性を高めるために、より大規模で多様なデータセット（例：RSNA Pneumonia, NIH ChestX-ray14）での評価を行うべきであると示唆している。さらに、マルチラベルの胸部疾患の局在化、放射線科医による読影研究、およびさらなるモバイル展開の最適化を探索することで、本フレームワークのトランスレーショナルな影響力を強化することを提案している。