Ensemble method of transfer learning Deep learning and vision transformer influencing explainable AI for Breast Cancer Prediction

あなたは、細胞の小さくカラフルな写真の中に隠された謎を解こうとしている探偵だと想像してください。これらの写真は患者の体から採取されたもので、謎の内容は「これは無害な腫瘍（良性）か、それとも危険な侵入者（悪性）か？」というものです。これが乳がん検出の世界です。長い間、人間の探偵（医師）は顕微鏡の下でこれらの画像を凝視しなければなりませんでしたが、それは非常に疲れやすく、時には困難な作業でした。

最近、コンピュータ科学者たちはディープラーニングを用いた「デジタル探偵」を作り上げました。しかし、ここには落とし穴があります。これらのデジタル探偵は、パズルを解くことはできる天才的な能力を持ちながら、「どのようにしてその答えに辿り着いたのか」という説明を拒むことがあるのです。彼らはただ「悪性です」と言うだけで、それ以上は何も教えてくれません。これは、答えを信頼する必要がある医師にとって、恐ろしいことです。

この論文は、パズルを解くだけでなく、どこに手がかりを見つけたのかを指し示すために懐中電灯を掲げてみせる、新しいタイプのデジタル探偵チームを紹介しています。

旧来の方法 vs. 新しいチーム

まず、研究者たちはいくつかの単独の探偵を試しました。彼らは、ResNet101、InceptionV3、Xception、InceptionResNetV2といった有名なコンピュータ・ブレイン・アーキテクチャを使用しました。これらを、過去に何百万もの他の画像を見てきた個々の専門家だと考えてください。彼らは優秀ですが、限界もあります。

論文によると、これらの単独の専門家はそれなりに優秀ではあるものの、特に画像のズーム倍率（40x、100x、200x、400xと呼ばれる拡大率）が異なる場合に混乱することがあると判明しました。最も優れた単独の専門家であるResNet101は、40xの拡大レベルで約**89.4%**の精度を記録しました。これはB+の成績ですが、医学の世界ではA+が求められます。

「スーパーチーム（アンサンブル）」の力

そこで、著者たちは異なるアプローチを試みることにしました。一人の探偵ではなく、「スーパーチーム」を構築したのです。彼らはそれらの単独の専門家を、**Vision Transformer (ViT)**と呼ばれる新しいタイプのAIと組み合わせました。

もしCNN（単独の専門家）が、写真を一枚の小さな正方形ごとに見ていく人物だとすれば、Vision Transformerは、写真全体を見渡し、森と木の両方を同時に見るように、異なる部分がどのように関連しているかを瞬時に理解できる人物のようなものです。

研究者たちは、ResNet101 + ViTという「融合（フュージョン）」モデルを作成しました。彼らは単に推測したのではなく、BreakHisデータセットから得られた7,909枚の実際の医療画像という膨大なコレクションを用いて、このチームをテストしました。

結果はどうだったでしょうか？ スーパーチームは圧倒的な成果を上げました。

• 40xの拡大率で、チームは**96.82%**の精度を達成しました。
• 100xでは、**96.15%**に達しました。
• 200xでは、**96.45%**を記録しました。
• 400xでも、**95.60%**を維持しました。

論文では、このアンサンブル転移学習（ETL）手法が、単独のモデルを使用する場合よりもはるかに優れていると明記されています。論文は、単一のモデルに頼ることに対して警鐘を鳴らしており、単一のモデルは「自信過剰」になったり、チームであれば見逃さないような微妙なパターンを見逃したりすることがあると指摘しています。

懐中電灯：AIを説明可能にする

ここが最も興味深い部分です。論文は単に高いスコアを求めるだけでなく、AIを**説明可能（EXAI）**にしたいと考えました。彼らは、Grad-CAM、ヒートマップ、LIME、**オクルージョン感度（Occlusion Sensitivity）**といった特別なツールを使用しました。

AIをテストを受けている学生だと想像してください。従来の方法は、単に解答用紙を先生に渡すだけでした。新しい方法は、学生が「どの言葉が答えに導いたのか」をハイライトして示すようなものです。

• Grad-CAMとヒートマップは、画像の上に温かく光るマップを描き出し、AIが細胞のクラスターのどの部分を見ているのかを医師に正確に示します。
• LIMEは、特定の形を囲む小さなボックスを描き、「私はここでこのような形を見たので、これが危険だと判断した」と伝えます。

論文は、これらのツールがAIの意思決定プロセスを明確にし、信頼できるものにすることを示しています。この透明性は、医師が診断に自信を持つのを助け、「ブラックボックス」であるコンピュータと人間の医師との間の溝を埋めるものであると示唆しています。

この論文が否定していること

この論文は、何がうまく機能しないのかについても非常に明確です。単一の標準的なディープラーニングモデルが、この特定のタスクにおいて最善の解決策であるという考えを、明確に否定しています。単一のアーキテクチャ（例えば、InceptionV3だけ、あるいはXceptionだけを使用すること）に頼ることは、組み合わせたチームのアプローチと比較して、精度の低下や信頼性の低下を招くことを示しています。また、モデルは非常に優秀ではあるものの、「良性（無害）」のケース、つまり紛らわしいケースに苦戦することがあり、時としてそれらを危険なものと誤認してしまう可能性があることも指摘していますが、新しいチームは旧来の単独モデルよりもそのようなミスをはるかに少なくしています。

私たちはどの程度確信できるのか？

著者たちは、これらの数値がシミュレーションではなく、実際のデータセットに基づいた測定結果であるため、非常に自信を持っています。彼らはモデルを実行し、正解数をカウントし、スコア（精度、適合率、再現率、F1スコア）を算出しました。

しかし、論文は一つの限界についても認めています。彼らはこれをBreakHisという特定のデータセットでのみテストしました。彼らは、この手法がどこでも通用することを証明するためには、異なる病院の他のデータセットでもテストする必要があると示唆しています。彼らは、これが世界全体のための最終的かつ完璧な解決策であると主張しているのではなく、Vision Transformerと従来のディープラーニングを組み合わせることが勝利の方程式であることを示唆する、重要な一歩であると考えています。

要約すると、この論文は、異なる種類のAIをチームとして結集させ、彼らに「解き方を示す」方法を与えることで、乳がんを早期発見するためのよりスマートで信頼できるツールを構築できることを示唆しています。これは癌を治す魔法の杖ではありませんが、医師が行う作業のための、非常に強力な新しい拡大鏡なのです。