転移学習モデルを用いた腎臓CT画像分類のための堅牢なプライバシー保護型連合学習フレームワーク
A robust privacy-preserving federated framework for kidney CT image classification using transfer learning models
本研究は、12,446枚の腎臓CT画像を用いて、腎異常の正確な分類とデータプライバシーの両立を目指す、新しい連合転移学習フレームワークを提案する。CT画像はリサイズ、正規化、ランダム回転、水平フリップ、カラージッターなどのデータ拡張を経て、MobileNetV2、EfficientNetV2-S、ResNet50、DenseNet121、InceptionResNetV2の5つの事前学習済みモデルが7つの連合クライアントで訓練された。モデルパラメータの集約には連合重み付け平均が用いられ、クライアントとサーバー間の通信にはAES-256暗号化が適用された。MobileNetV2が最も高い性能を示し、精度99.48%、適合率99.29%、再現率99.32%、F1スコア99.3%、AUC-ROC 0.9999を達成した。クライアント間検証では平均精度98.85%が得られ、汎化ギャップは-0.0063と小さかった。提案フレームワークは、プライバシー保護と通信効率のバランスが取れており、腎疾患診断のための分散臨床環境での展開が期待される。
本稿は連合学習と転移学習を組み合わせた医療画像AIの学術的提案であり、特定企業の製品や資金調達、規制動向といった投資判断に直結する具体的な事象を含まない。腎臓CT分類で99%超の精度を示すモデル性能は技術的に注目に値するが、実用化や商用展開に関する情報がなく、現時点での投資インパクトは限定的。医療AI領域の研究トレンド把握としては参考になる。