Re-thinking Mammography Transfer Learning: The Dataset-Informed Transfer Learning (DITL) Framework for Breast Cancer Screening and Lesion Diagnosis

あなたは、ロボットに特定の種類の鳥を見分ける方法を教えようとしていると想像してください。あなたには膨大な鳥の写真ライブラリがありますが、ロボットは混乱しています。スズメとフィンチがあまりにも似ているため、それらを混同してしまいますし、あまりに大量の写真に圧倒されてしまうこともあります。これが、コンピュータが何千もの例を見ることで学習していく、人工知能の一分野である**ディープラーニング（深層学習）**の世界です。通常、コンピュータに新しい技を教えるときには、**転移学習（Transfer Learning）**を用います。これは、すでにフランス料理の作り方を知っているシェフを雇い、寿司の作り方を教えるようなものです。彼らはすでに包丁の使い方や火加減を知っているので、あとは特定の魚や米について学ぶだけで済みます。

しかし、医療の世界では事態は複雑になります。医師たちは、がんを早期発見するためにマンモグラフィ（乳房の特殊なX線写真）を解析するコンピュータを必要としています。しかし、乳腺の組織は人によって異なり、一部の組織は非常に透過しにくいため、判別が極めて困難です。それは、雪の山の中で白い猫を探すのと、石炭の山の中で黒い猫を探すのと同じくらい難しいことです。この「雪」にあたるのが高密度な乳腺組織であり、それが腫瘍を見えにくくさせ、医師にとってもコンピュータにとっても仕事をより困難にしています。大きな疑問はこうです。手がかりが隠されており、症例が稀で、さらに「雪」の状態が常に変化する場合、どうすればコンピュータをより優れた探偵として教えることができるのでしょうか？

探偵の新しい地図：DITLの紹介

この論文において、ドイツの研究者たちは、これらのコンピュータ探偵を教えるための巧妙な新しい方法を提案しています。彼らはこの手法を、**DITL（Dataset-Informed Transfer Learning：データセット情報に基づく転移学習）**と呼んでいます。単にコンピュータに写真の束を渡して「これを学べ！」と言うのではなく、DITLは、コンピュータが学習を開始する前に、その地形の「パーソナライズされた地図」を与えます。

ここで彼らが解決しようとしている問題は、標準的な学習方法では、すべての写真を一律に扱ってしまうということです。標準的な方法では、「この写真は簡単だから無視しろ」とか「この写真は難しいから注視しろ」と言うかもしれません。しかし、それらは通常、コンピュータが「今」どれほど自信を持っているかに基づいて、どちらが難しいかを推測しています。著者らは、これは数学の問題に対して、問題自体の性質を見るのではなく、一度間違えたという理由だけで「この問題は難しい」と判断してしまう学生のようなものだと主張しています。

「雪」と「困難なケース」
研究者たちは、マンモグラフィの中には自然と分類が「難しい」ものがあることに気づきました。非常に高密度な乳房の中に隠れた小さな、微細な点がある写真は「困難なケース」です。脂肪が多い乳房にある明瞭な塊の写真は「容易なケース」です。過去には、コンピュータはすでに間違いを犯した後になるまで、どのケースがどちらであるかを知ることができませんでした。

3ステップの魔法
DITLは、この問題を解決するために3つの楽しいステップで機能します。

1. 準備運動（自己教師あり学習）： まず、コンピュータは、ラベルを与えられることなく、すべてのマンモグラフィを見ます。これは、ガイドなしで森の中を歩き回り、ある木とある木が似ていること、あるいは異なっていることをただ観察するロボットのようなものです。ラベルに基づいた判断ではなく、パターンの基づいて「森」のメンタルマップを構築します。
2. 近隣監視（近隣の探索）： 次に、コンピュータはその新しい地図を見て、「私の隣人は誰か？」と問いかけます。すべての写真に対して、その写真に最も似ている$k$枚の写真を特定します。
   • もしある写真が、すべて同じラベル（例：「がん」）を持つ隣人たちに囲まれていれば、それは容易な写真です。
   • もしある写真が、混在したラベル（「がん」と「がんではない」が混ざっている）を持つ隣人たちに囲まれていれば、それは困難な写真です。その写真は、二つの世界の境界線上に立っています。
   • 研究者たちは、チェックすべき隣人の数を決めるために、単純な数学的ルールを使用しています。それは、全写真数の平方根です。これは、小さなグループにも巨大な群衆にも対応できる、絶妙なバランスです。
3. 賢いレッスン（新しい損失関数）： 最後に、コンピュータは本格的な学習を開始しますが、このときコンピュータには2つのスーパーパワーが備わっています。
   • パワー1：難易度の重み付け（A-DWCE）。 コンピュータは、どの写真が「困難」で、どの写真が「容易」かを知っています。数学の難しい問題に時間をかける学生のように、困難な写真に特別な注意を払います。しかし、他の手法のように人間が「どれくらい注意を払うか」を決めるためにつまみを調整する必要はなく、この手法は近隣関係に基づいて自動的にそれを判断します。
   • パワー2：近隣へのトリップ（A-NR-Triplet）。 コンピュータは、「困難な」隣人を近づけ、「異なる」隣人を遠ざけるよう指示されます。似た者同士を集め、似ていない者を分離するダンスフロアを想像してください。面白い点は、彼らが保つべき「距離」は固定されたルールではなく、コンピュータが踊りながら完璧な距離を学習していくことです。

なぜこれが重要なのか
著者らは、この新しい手法を、特定の腫瘍部位の小さなコレクションから、13,000枚以上の全乳画像を含む大規模なデータセットに至るまで、4つの異なるマンモグラフィ・データセットでテストしました。

彼らは、DITLが従来の方法に対して統計的に有意な改善を示したことを発見しました。大規模なデータセット（VinDR-Mammo）において、DITLは標準的な手法よりも乳房密度やリスクレベル（BI-RADS）の特定において高いスコアを獲得しました。単に数ポイント向上しただけでなく、その改善は非常に一貫しており、それが偶然である確率は10,000回に1回未満（$p < 0.0001$）でした。

より小さなデータセット（CESMやCBIS-DDSMなど）においても、DITLは勝利し、精度とF1スコア（稀で重要なケースをどれだけうまく見つけられるかの指標）を、わずかではあるものの意味のあるレベルで向上させました。例えば、CESMデータセットでは、ベースラインと比較してF1スコアを約3.6%向上させました。

「ノー」と言ったもの
論文では、何がうまく機能しないかについても明確に述べています。彼らは、コンピュータの現在の自信に基づいて難しい例に焦点を当てようとする一般的な手法である**フォーカルロス（Focal Loss）**に対し、明確に反対しています。彼らは、Focal Lossは多くの人間によるチューニング（適切な「ガンマ」値を推測すること）を必要とし、なおかつDITLほどデータセット独自の構造を理解できていないことを明らかにしました。DITLは、そのような微調整を必要としません。自ら進んで難易度を判断するのです。

結論
研究者たちは、単にこれが機能する可能性があると示唆しただけでなく、実際に測定しました。コンピュータが学習を開始する前に、各画像の「近隣関係」を理解させることで、コンピュータはより優れた探偵になることを示しました。これにより、コンピュータは「雪の多い」高密度な乳房をより適切に扱い、稀な高リスクケースをより頻繁に特定できるようになり、しかも人間が常に設定を微調整することなくこれらを実現します。

結局のところ、DITLは、コンピュータに、問題を解こうとする前に、あらゆるケースの難易度を見抜くための「眼鏡」を与えるようなものです。これにより、特に診断が難しい患者にとって、乳がんスクリーニングのプロセス全体がより信頼できるものになります。そして最高の点は、これがコンピュータの速度を低下させないことです。「地図」は一度描かれれば、あとはコンピュータは速く、かつ自由自在に学習していくのです。