Toward Optimal Adenovirus Detection Using YOLO26

あなたは、巨大で粒子の粗い白黒写真の中に隠れている、非常に特定された極小の容疑者を探そうとしている探偵だと想像してください。これは単なる写真ではありません。透過電子顕微鏡（TEM）と呼ばれる超強力な顕微鏡によって撮影された写真です。これらの顕微鏡は非常に強力で、ウイルスのような人間の髪の毛よりも小さなものを見ることができます。しかし、厄介なことに、これらの写真はしばしば乱雑です。ウイルスの破片や、ランダムな塵、そしてウイルスのように見えるけれど実際にはそうではない奇妙な汚れなどが混じっています。この混乱の中から本物を見つけ出すことは、吹雪の中で特定の種類の雪の結晶を見つけ出すようなものです。

これを助けるために、科学者は「ディープラーニング（深層学習）」を使用します。これは、基本的にはパターンを認識することを学ぶコンピュータプログラムであり、何千枚もの写真を見ることで、幼児が猫と犬の違いを学ぶのと似ています。このようなプログラムの中で人気のあるものの一つに、YOLO（「You Only Look Once」の略）があります。これは、速くて物を見つけるのが得意なことで有名です。しかし、落とし穴があります。これらのプログラムが上手くなるには、多くの練習が必要です。私たちは何百万枚ものウイルスの写真を持っているわけではないので、同じ写真を回転させたり、反転させたり、引き伸ばしたりして、少しずつ変形させたものを何度も繰り返し見せることで、コンピュータに教えていく必要があります。これは、探偵に特別な眼鏡を授けるようなものです。その眼鏡は、容疑者がどのような姿勢で立っているか、あるいは照明がどのような状態であっても、容疑者の見え方を少しずつ変えて提示することで、容疑者を認識できるように学習させるのです。大きな疑問は、「どの種類の『眼鏡』（具体的にどのような変化を加えるか）が、コンピュータが混乱することなくウイルスを見つけるのに最も適しているのか？」ということです。

これこそが、リムリック大学のオリヴィエ・ルクンドンドが解決しようとした問題です。彼は、新しい超高速なYOLOプログラム（YOLO26と呼ばれる）に、それらの乱雑な顕微鏡写真の中からアデノウイルスを見つけ出すための完璧なレシピを見つけ出したいと考えました。彼はただ推測したわけではありません。彼は体系的なレースを行いました。彼は、YOLO26プログラムの5つの異なるサイズ（「ナノ」版から巨大な「エクストララージ」版まで）を取り上げ、4つの異なる「トレーニング・レシピ」（データ拡張の設定）に対してテストを行いました。

4つのレシピは以下の通りです：

1. 増強なし設定 (NAS): 写真をそのままの状態でコンピュータに見せる。変更は一切行わない。
2. 幾何学的増強設定 (GAS): 画像を回転、反転、引き伸ばし、ウイルスがさまざまな位置にあるように見せる。
3. 幾何学的＋モザイク増強設定 (GMAS): 4枚の異なる写真の断片を取り出し、それらを縫い合わせて一つの奇妙な合成画像を作り、コンピュータを訓練する。
4. デフォルト増強設定 (DAS): YOLO26ソフトウェアに付属している標準的な設定変更を使用する。

結果は驚くべきものでした。より強力なコンピュータモデル（「エクストララージ」版）が最高の探偵になるだろうと考えるかもしれません。しかし、論文はそうではないことを示唆しています。勝者は、小さな「ナノ」版のモデルであり、これは幾何学的増強設定 (GAS)で訓練された時に最も優れた成績を収めました。このモデルは、mAP@50–95で0.44、精度（precision）で0.86という最高の精度を達成しました。これは、ウイルスを見つける能力が非常に高く、かつ間違いも非常に少ないことを意味します。

対照的に、「モザイク」レシピ（GMAS）は、画像を縫い合わせることで賢明に振る舞おうとしましたが、実際には事態を悪化させました。これはコンピュータを混乱させ、訓練中の安定性を低下させ、信頼度スコアを下げてしまいました。研究では、「大きいことは常に良い」という考えを明確に否定しています。実際、より大きなモデル（「エクストララージ」のようなもの）は、小さなモデルよりも優れた性能を発揮せず、場合によっては性能が低くなりました。論文は、アデノウイルスの視覚的特徴は十分に単純であるため、適切な練習（GASレシピ）さえ受ければ、小さくて効率的なモデルでも完璧に学習できることを示唆しています。

研究では、これらのモデルが学習に要する時間についても調査されました。最小のモデルは最も速く、勝利した幾何学的増強設定 (GAS)での訓練には約9.61分を要しましたが、最大のモデルはデフォルト設定で29.31分近くかかりました。興味深いことに、「幾何学的」および「モザイク」のレシピは、時としてデフォルトよりも訓練を速くしましたが、モデルのサイズが学習時間の最大の要因でした。

最終的に、この論文は世界中のあらゆるウイルスに関する謎を解いたと主張しているわけではありません。これは、より大きなデータセットのサブセットを使用して、アデノウイルスを特定してテストしたものです。フルセットのTEMウイルスデータセットには22種類の異なるウイルスを含む1,245枚の画像が含まれていますが、この研究は、訓練用に40枚、テスト用に14枚、検証用に13枚の画像のみで構成される「アデノウイルス」クラスにのみ焦点を当てました。著者らは、彼らの知見が他の種類のウイルスや異なる顕微鏡の条件下では機能しない可能性があることを慎重に述べています。しかし、この特定のタスクにおいては、明確な勝者を見つけ出しました。それは、「単に計算能力を投入すればよいのではない」ということです。代わりに、小さくて効率的なモデルを使用し、適切な幾何学的な回転や変化を与えて教え込むのです。これは、干し草の山の中から針を見つける最善の方法は、より大きな虫眼鏡を手に入れることではなく、あらゆる角度から干し草の山を見る方法を自分の目に教え込むことである、ということを思い出させてくれます。