肺がんの早期診断において、自動的な肺結節分類は重要な役割を果たします。最近、深層学習技術によりこの分野で著しい進歩が見られています。しかし、これらの深層モデルは一般的に高い計算複雑さを持ち、ブラックボックス形式で動作することが課題となっています。本研究では、これらの課題に対処するために、効率的かつ（部分的に）説明可能な分類モデルの構築を目指しています。具体的には、\emph{ニューラルアーキテクチャサーチ} (NAS) を使用して、優れた精度と速度のトレードオフを持つ3Dネットワークアーキテクチャを自動的に探索します。また、ネットワーク内に畳み込みブロック注意モジュール (CBAM) を導入しており、これにより推論プロセスの理解が容易になります。訓練段階では、A-Softmax損失関数を使用して角度に基づく識別表現を学習します。推論段階では、多様なニューラルネットワークのアンサンブルを用いて予測精度と堅牢性を向上させます。LIDC-IDRIデータベース上で広範な実験を行った結果、従来の最先端手法と比較してパラメータ数を40分の1以下に削減しながらも同等以上の性能を示すことが確認されました。さらに経験的調査により、学習されたネットワークの推論プロセスが医師の診断と一致していることが明らかになりました。関連するコードおよび結果は以下のURLで公開されています: https://github.com/fei-hdu/NAS-Lung。注：- 「深層学習」は「deep learning」の一般的な日本語訳です。- 「ニューラルアーキテクチャサーチ」 (NAS) は「neural architecture search」の日本語訳です。- 「畳み込みブロック注意モジュール」 (CBAM) は「convolutional block attention module」の日本語訳です。- 「A-Softmax損失関数」は「A-Softmax loss」の日本語訳です。- 「LIDC-IDRIデータベース」は「LIDC-IDRI database」の日本語訳です。- 「パラメータ数」は「parameters」の日本語訳です。- 「経験的調査」は「empirical study」の日本語訳です。