イリノイ大学アーバナ・シャンペーン校などの研究者らは、深層ビジョンが科学領域で失敗するメカニズムを解析した論文を発表した。この研究は、深層学習（DL）を科学イメージングモダリティに直接適用すると重大な失敗が生じ、AI安全性の懸念を引き起こす可能性があることを示している。
日常的なRGB画像とは異なり、科学イメージングではピクセルが正確な物理化学的性質を符号化し、数千のチャネルに及ぶことがある。DLは人間中心のRGB知覚タスクでは十分に検証されているが、科学イメージングでの有効性は不確かである。
研究チームは病理学を例に、染色組織のRGB画像と赤外線（IR）イメージングの生化学的定量情報を比較した。皮肉なことに、IRデータは情報量が多いにもかかわらず、IRデータで訓練したDLモデルはパフォーマンスが低下し、「次元崩壊」現象を示した。モデルは一次元予測しか行わず、表現能力の大部分が未使用のままだった。
詳細な分析により、IRデータの事前分布とDLの「単純性バイアス」が相互作用し、モデルを崩壊させることが判明した。さらに悪いことに、最先端のロバスト化戦略を適用しても問題は解決せず、これらの戦略はRGB画像向けに設計されているため、同じ事前分布-バイアスのミスマッチを継承している。
この研究は、科学における汎用DLの限界を理解する枠組みを確立し、モダリティ固有の失敗モードの研究を提唱している。研究者らは、科学イメージングの独自の性質には、既存ツールの単純な適用ではなく、特定モダリティに調整されたDLアーキテクチャが必要であると強調している。論文は2026年5月5日にarXivに提出され、著者はJi-Hun Oh、Dou Hoon Kwark、Kianoush Falahkheirkhah、Kevin Yeh、John Cheville、Volodymyr Kindratenko、Rohit Bhargavaである。この発見は、科学イメージングにおけるAIの安全な応用にとって重要な警鐘となる。