Searching for Robust Augmentations to Improve Out-of-Domain Generalization in Dermoscopic Skin Cancer Classification

技術要約：皮膚科用ダーモスコピー画像における癌分類の領域外（OOD）汎化能向上のための頑健なデータ拡張の探索

問題提起
ダーモスコピーによる皮膚病変分類のためのディープラーニングモデルは、内部テストセットでは高い精度を達成することが多いが、新しいソース（領域外、またはOOD）のデータに適用されると、大幅な性能低下に陥る。この「ドメインシフト」は、異なるクリニック間での撮像デバイス、照明、カラープロセッシング、およびキャプチャ・アーティファクトのバリエーションに起因する。先行研究ではアーキテクチャの選択や内部検証が広く研究されてきたが、どの特定のクラスのデータ拡張がソースレベルのシフトに対する頑健性を効果的に向上させるのかという点については、系統的な分析が不足している。さらに、既存の拡張に関する研究は多くの場合、インドメイン（領域内）の検証に向けて最適化されており、全く新しい取得環境へのモデル転送という具体的な課題に対処できていない。

手法
本研究は、二値の悪性・非悪性分類器のOOD汎化能を向上させるために、データ中心のアプローチを採用している。

• データセット: 学習およびインドメイン評価には、ISICアーカイブ（BCN20000, Derm12345, HIBA, BALD, MILK10k, ISIC 2016–2020）およびDerm7ptからのマルチソース・コレクションを使用している。厳格なOOD評価を確実にするため、HAM10000およびISIC 2019–2020のデータセットを、ソースが分離されたテストセットとして完全に保持した。独立した閉鎖臨床データセット（Melanoscope）は、モデル選択に影響を与えないよう、最終的な外部検証のみに使用された。
• モデルアーキテクチャ: ImageNetの重みで初期化されたConvNeXt-Largeバックボーンを使用し、二値分類ヘッドを付加した。
• 拡張の探索: 以下の3つのカテゴリにわたって、拡張の系統的な探索を行った：
  1. 単一の拡張: 個別の幾何学的およびフォトメトリック（光度学的）変換。
  2. フォトメトリックの組み合わせ: 色ベースのオペレーター（ColorJitter, PlanckianJitter, HEStainなど）の固定されたペアリングまたはトリプル。
  3. 複合ポリシー: コンペティションの解法や著者ら自身の知見に基づいた構成（例：mix, kaggle_strong_hestain）。
• 評価指標: 主要な指標はROC曲線の下端面積（ROC-AUC）である。評価には、インドメインテスト、ソース分離型OODテスト、および独立したMelanoscopeセットが含まれる。統計的有意性は、ブートストラップ信頼区間およびDeLong検定を用いて評価された。また、特徴空間の混合とアテンションマップを定性的に評価するために、t-SNE可視化とGrad-CAMを用いた。

主な貢献

1. OODのための系統的な拡張探索: インドメインの性能に基づいて拡張をランク付けする従来の研究とは異なり、本研究はソースレベルの保持されたテストセットにおける性能を最大化するポリシーを明示的に探索している。
2. フォトメトリックの優位性の特定: 本研究は、フォトメトリック変換（色および強度の調整）がOODの頑健性の主要な要因であり、この特定のドメインにおいては純粋な幾何学的変換よりも優れていることを特定した。
3. 「Mix」ポリシー: 著者らは、フォトメトリック変換と中程度の幾何学的変換を組み合わせた、mixと名付けられた特定の複合拡張ポリシーを提案している。このポリシーは、インドメインの精度を維持しつつ、最も高いOOD利得をもたらすことが示されている。
4. 厳格な検証プロトコル: 本論文は、スクリーニング結果（単一実行の点推定値）と、拡張評価（複数のシード、信頼区間、および独立した外部データセット）を区別しており、知見の分散と限界に関する透明な視点を提供している。

結果

• 領域外（OOD）性能: mixポリシーは、スクリーニング段階のベースラインに対してROC-AUCを**+0.0332改善し、OODテストセットにおいて最大の利得を達成した。拡張評価（保持されたソースからの9,921枚の画像）では、改善は+0.053**（95% CI: +0.045 to +0.061, p < 0.001）であった。
• インドメイン性能: mixポリシーはインドメインの精度も維持し、ROC-AUCを**+0.0061**向上させた。これは、頑健性が内部性能を犠牲にすることなく実現されたことを示している。
• シードに対する頑健性: mixポリシーのOODにおける優位性は、4つの異なるランダム学習シードにわたって持続した（ベースライン: 0.761–0.775; Mix: 0.806–0.829）。
• 外部検証（Melanoscope）: 独立したMelanoscopeデータセットにおいて、単一のチェックポイントは感度を0.591から0.818へと上昇させた。しかし、著者らはこの結果がわずか22例の悪性症例に基づいていること、AUCにおいて統計的有意性に達していないこと（p = 0.22）、および複数の学習シードで平均するとその優位性が消失することを指摘している。
• 特徴分析: t-SNE可視化は、mixポリシーがベースラインと比較して、特徴空間におけるソース固有のクラスタリングを減少させていることを示した。Grad-CAM分析は、拡張されたモデルが周辺部のアーティファクトではなく、病変に対してよりコンパクトに注目していることを示唆した。
• 診断別の内訳: OODの改善は、メラノーマの再現率（Recall）の有意な向上ではなく、主に良性角化症における特異度の向上（偽陽性の減少）によってもたらされた。メラノーマの再現率は、すべての構成において低いまま（0.26–0.43）であった。

意義と限界
本論文は、ドメインシフトの実際の原因（特にフォトメトリックな変動）をモデル化する拡張が、インドメインの精度を最大化したりモデルのアーキテクチャを変更したりすることよりも、OOD汎化において重要になり得ることを主張している。mixポリシーは、臨床的な意思決定支援システムの臨床検証を行う前に検討されるべき、シンプルで再現可能なベースラインステップとして提示されている。

しかし、著者らは以下の点について明示的に断りを入れている：

• 選択バイアス: ポリシーは、主要なOOD評価で使用されたデータと同じソース（HAM10000およびISIC 2019–2020）を使用して選択された。したがって、報告された効果量は楽観的に偏っている可能性があり、結果は、全く未知のソースへの汎化を独立して確認したものではない。
• 限定的な外部エビデンス: 独立したMelanoscopeデータセットにおける改善は統計的に有意ではなく、複数の学習シード間で持続しなかった。これは、ISIC/HAMソースで観察された頑健性が、全く異なる臨床現場に転移することがまだ証明されていないことを示している。
• 臨床的有用性: 特異度は向上したが、メラノーマの絶対的な再現率は依然として低いため、現在のモデルは自律的な診断よりも、レビューのための優先順位付けに適していることを示唆している。

著者らは、mixポリシーは堅牢なベースラインを提供するものの、今後の研究では、バイアスのない汎化を確認するために、ソース分離型の選択プロトコル（例：leave-one-source-out）や、より多様な外部コホートでの検証が必要であると結論付けている。