Integrating Implicit and Explicit Relational Biases through Graph-Based Multiple Instance Learning: A Case Study in Skin Lesion Diagnosis

コンピューターに、写真を見るだけで特定の種類の物体（例えば、珍しい鳥や、シャツについた厄介なシミなど）を認識させる方法を教えようとしていると想像してみてください。人工知能の世界では、これは「画像分類（image classification）」と呼ばれます。長い間、コンピューターは色の小さな点（ピクセル）を見て、それらがどのように集まって形を作るかを学習することで、この作業を非常に得意としてきました。しかし、一つ問題があります。現実世界の物体、特に皮膚の病変のような医学的な対象は、単なるピクセルのランダムな集まりではありません。それらには「構造」があります。ほくろや病変の各部分は、互いに影響し合っています。例えば、シミの縁は中心部と関係を持っています。

コンピューターにこうした関係性を理解させるために、科学者たちは「帰納バイアス（inductive bias）」と呼ばれるものを使用します。これは、世界がどのように機能しているかについてのルールやヒントをコンピューターに与えるものだと考えてください。一つの方法は「暗黙的（implicit）」な学習です。これは、コンピューターが何百万枚もの写真を見て、自力で繋がりを見つけ出す方法です。まるで、どの特徴が重要かを教えられなくても、顔の特徴から友人の顔を識別できるようになる学習プロセスに似ています。もう一つの方法は「明示的（explicit）」な学習です。これは、画像のどの部分が隣接しており、比較すべきであるかを、人間が地図を描いてコンピューターに直接示す方法です。この論文では、これら二つのアプローチを組み合わせたときに何が起こるかを探っています。つまり、コンピューターに基礎を自力で学ばせ、その上で、点と点をより良く結びつけるための具体的な地図を与えるのです。目的は何でしょうか？ それは、医療診断の精度を高めることです。医師が病気を早期発見するために、あらゆる可能性を最大限に活用する必要があるため、これは非常に重要なことです。

論文のストーリー：コンピューターに「自分自身と対話」させる方法

この論文は、二つの異なる考え方を混ぜ合わせることで、皮膚病変（癌の可能性がある皮膚の斑点）の診断においてコンピューターをより賢くできるかどうかを研究したチームについて書かれています。彼らは、コンピューターがまず画像全体の「雰囲気（vibe）」を自力で理解し、次に画像の異なる部分同士を明示的に「会話」させるように強制することで、仕事の精度を上げられるかどうかを検証する実験を行いました。

まず、彼らはコンピューターに「自己教師あり学習（self-supervised training）」のセッションを与えました。ジグソーパズルを想像してみてください。パズルのピースの半分を隠して、残りのピースに基づいて隠れている部分を推測させるようなものです。コンピューターも同様のことを行いました。皮膚病変の画像を見て、その一部を隠し、隠された部分を再構成しようと試みたのです。これにより、コンピューターは人間から病名を聞かされることなく、画像の小さな正方形（「パッチ」と呼ばれます）の間の局所的な関係性を理解することを学びました。これが「暗黙的」な部分、つまり、ゲームのルールを実際にプレイすることで学ぶプロセスです。

次に、彼らは学習した「雰囲気（embeddings）」を取り出し、それを使って皮膚の斑点を分類しようとしました。まず、コンピューターがすべてのパッチを見て、診断について投票するという標準的な手法から始めました。これが彼らのベースライン（基準）であり、テストセット（ISIC-2018）において**76.17%**の「バランス精度（balanced accuracy）」を達成し、かなり良好な結果を出しました。しかし、研究者たちの目的はこれだけではありませんでした。彼らは、明示的な要素、つまり「地図」を加えることで、さらに改善できるのではないかと考えたのです。

彼らはパッチを異なる「グラフ（graph）」へと整理しました。グラフとは、点（パッチ）が線（関係性）によって結ばれた、洗練されたネットワークのことです。彼らは以下の3種類の地図を試しました。

1. ランダム（Random）: パッチをランダムな隣人と結びつける、混沌としたチャットグループのようなもの。
2. グリッド（Grid）: パッチを直近の隣人とだけ結びつける、隣の家としか会話しない街区のようなもの。
3. k-最近傍法（k-Nearest Neighbors / kNN）: パッチを、場所に関係なく見た目が最も似ているものと結びつける、共通の趣味を持つ人たちだけで集まるクラブのようなもの。

その後、彼らは特殊なタイプのニューラルネットワーク（グラフニューラルネットワーク）を用い、決定を下す前に、これらのパッチが地図に沿って互いに「メッセージを伝達（message passing）」できるようにしました。

研究の結果

結果は非常に明確でした。単にパッチを見て投票しただけのコンピューター（ベースライン）の精度は**76.17%でした。そこに「暗黙的」な学習（自己教師ありの再構成）を加えると、精度は77.12%**に上昇しました。しかし、本当の魔法は「明示的な地図」を加えたときに起こりました。

最も優れたパフォーマンスを示したのは、Graph Attention Network (GAT) と呼ばれる特殊なメッセージ伝達ネットワークと、グリッド・グラフ（Grid Graph）を組み合わせた構成でした。皮膚病変の物理的な配置を尊重するようにコンピューターに強制したこの設定により、精度は79.27%へと跳ね上がりました。これは確かな向上です！ 第二の、より大規模なデータセット（ISIC-2019）においても、暗黙的学習とkNNグラフ（似たパッチ同士を結ぶ）を組み合わせる戦略が、精度を**60.67%**まで押し上げ、暗黙的学習のみのバージョン（59.84%）を上回りました。

また、研究者たちは「もしコンピューターがメッセージから学習できず、固定された既定の地図のみを使用した場合はどうなるか？」というシナリオもテストしました。グラフネットワークの学習部分を「凍結（freeze）」させたところ、パフォーマンスは**34.28%**へと急落しました。このことは、コンピューターがパッチ同士の関係を能動的に学習する必要があることを示唆しています。単に地図を持っているだけでは不十分なのです。学習プロセスそのものが、違いを生む鍵となります。

なぜこれが重要なのか

この論文は、秘訣は単にデータの量を増やしたり、コンピューターを大型化したりすることではなく、「点と点をどのように結ぶか」にあることを示唆しています。暗黙的な学習（自力でパターンを学ぶ能力）と、画像の異なる部分を比較する明示的な関係モデリングを組み合わせることで、彼らは以前の手法よりも正確なシステムを作り上げました。実際、彼らの単一のモデルは、最大90個もの複雑なモデルの予測を組み合わせた巨大な「アンサンブル」手法に匹常する性能を発揮しました。

著者らは、このアプローチが、病変の異なる部分の関係性が極めて重要となる医学的画像において、有望な方法であると結論付けています。彼らは、暗黙的学習が素晴らしい基礎を与える一方で、明示的な関係モデリングを加えることが、その基礎に頑丈な屋根を載せることになるのだということを発見しました。これは、AIの世界において、コンピューターに「何を見るか」だけでなく、「見ているもの同士の繋がりをどのように考えるか」を教える必要があるということを思い出させてくれます。