プログレッシブに成長するGANを用いて生成された合成胸部X線画像の臨床的現実性の評価

胸部X線検査は、多くの患者の診断プロセスにおいて不可欠なツールである。他の多くの医療画像診断モダリティと同様に、胸部X線は多様な疾患パターンの組み合わせを視覚化できる非常に多モーダルな特性を持つ。しかし、新たな診断ツールの開発にはより多くのラベル付きデータが求められている一方で、患者のプライバシー保護に関する懸念から、データへのアクセスは許可申請や倫理承認の手続きによって制限されるという課題がある。これまでの研究では、訓練データの拡張を目的として、特定の疾患クラスに特化したGAN（生成対抗ネットワーク）を構築することで、こうした懸念に対応しようとしてきた。しかしこのアプローチにはスケーラビリティの限界があり、モデルサイズとクラス数の間で計算コストのトレードオフが生じるため、生成画像の品質に上限が設けられてしまう。本研究では、潜在空間におけるクラス最適化（latent class optimisation）を導入することで、GANから効率的かつ多モーダルなサンプリングを可能とし、ラベル付き生成画像の大規模アーカイブの構築を実現した。さらに、PGGAN（Progressive Growing of GANs）を用いて非監視型X線画像の生成に取り組み、放射線科医による評価を通じて生成画像の臨床的現実性を検証した。本研究では、生成画像に見られるさまざまな病態の特性について詳細に検討し、モデルが捉えている疾患の多様性の範囲についても概観した。生成画像の品質評価において、Fréchet Inception Distance（FID）の適用を検証した結果、高解像度画像生成タスクと同等の性能を示すことが確認された。また、放射線科医に実画像と生成画像の区別を依頼したところ、生成画像は偶然よりも実際に近いと判定される傾向が見られたが、依然として完全な臨床的リアリズムには至っていないことが明らかになった。さらに、生成画像を用いて訓練した分類モデルを実画像上で評価することで、この結果の妥当性を裏付けた。最後に、PGGANによる生成画像の限界について議論し、制御可能かつより現実的な画像生成を実現するための今後の方向性を提示する。