二視 mammography を使用した EfficientNet ベースの畳み込みニューラルネットワークによる乳がん診断

最近の研究では、深層畳み込みニューラルネットワーク（DCNN）がマンモグラムにおける乳がん診断において、人間の専門家と同等またはそれ以上の性能を示すことが報告されています。最良の手法の一つは、二つの転移学習を行います。最初の転移学習では、自然画像で訓練されたモデルを使用して「パッチ分類器」を作成し、小さな部分画像を分類します。2つ目の転移学習では、このパッチ分類器を使用して全体のマンモグラムをスキャンし、「単一ビュー全画像分類器」を作成します。本研究では、さらに3つ目の転移学習を行い、「二ビュー分類器」を獲得することを提案します。これは両側頭頸部（bilateral craniocaudal）と内側外側斜位（mediolateral oblique）の2つのマンモグラムビューを使用するためです。EfficientNetをモデルの基礎として使用しました。CBIS-DDSMデータセットを使用してシステム全体を「エンドツーエンド」で訓練しました。統計的な堅牢性を確保するために、(a) 5分割交差検証と (b) データセットの元々の訓練/テスト分割を使用してシステムを2回テストしました。5分割交差検証を使用した場合、当技術はAUC（面積下指数）0.9344に達し（ROC曲線での等誤差率点における精度、感度および特異度は85.13%）、元々のデータセット分割を使用した場合はAUCが0.8483となりました。当該問題に関するこれまでに報告された最高のAUCであると考えられますが、各研究におけるテスト条件の微妙な違いにより正確な比較は困難です。推論コードとモデルは https://github.com/dpetrini/two-views-classifier から利用可能です。