スクリーニングマンモグラフィAIにおけるデータセット由来シグネチャと近道学習：クロスデータセットケーススタディ
スクリーニングマンモグラフィAIに異常が豊富な外部データセットからの生検確定症例を追加する効果を評価した研究で、データセットの混合は性能を低下させ、追加の陽性症例の利点を相殺するドメインシフトを引き起こすことがわかりました。
arXivで発表された新しい研究論文「Dataset-Origin Signatures and Shortcut Learning in Screening Mammography AI: A Cross-Dataset Case Study」では、乳房スクリーニング人工知能（AI）において、異常が豊富な外部データセットからの生検確定症例を追加することで性能が向上するかどうかを調査しました。研究チーム（Parham Hajishafiezahraminiら）は、ニューファンドランド・ラブラドール乳房スクリーニングデータセット（NLBSD）とCBIS-DDSMおよびCMMDの2つの外部データセットを使用し、Mammo-CLIPの重みで初期化されたEfficientNet-B5エンコーダを凍結線形プローブとして評価し、一貫した前処理と患者レベルの分割を適用しました。
結果は、NLBSDのみで訓練されたモデルがAUC-ROC 0.737（95% CI [0.686, 0.785]）を達成したことを示しました。しかし、外部陽性症例を追加すると、すべての構成で性能が低下し、AUC-ROCは0.620から0.644の範囲となり、DeLong検定とHolm補正後はp値が0.05未満でした。訓練とテストのドメインが一致する場合、ドメインマッチ評価はわずかな向上をもたらしましたが、どの構成もNLBSDのみのモデルを超えませんでした。
診断として、研究は各検査のデータセット由来を予測するタスクを再定義しました。その結果、同一の前処理を施してもデータセット間がほぼ完全に分離可能であることが判明し、データセット固有の特性が学習された表現に強く影響していることが示されました。これらの知見は、異常が豊富なマンモグラフィデータセットを単純にプールすると、追加の陽性症例の利点を凌駕するドメインシフトを導入する可能性があることを示しています。研究は、取得、強度マッピング、データセット構築の違いが標準化後も残存するため、異種マンモグラフィデータセットを統合するにはドメイン認識戦略が必要であると強調しています。
この発見は、スクリーニングマンモグラフィAIの開発に重要な示唆を与えます。単に外部データ量を増やしても性能向上は保証されず、むしろバイアスが導入される可能性があります。将来の研究では、データセットに依存しない病理学的特徴を学習できるドメイン適応やドメイン汎化手法の設計に焦点を当てるべきです。