マルチクラス網膜疾患分類のための、段階的特徴融合とアテンション機構を備えた2段階ディープラーニングフレームワーク
A two-stage deep learning framework with progressive feature fusion and attention mechanisms for multi-class retinal disease classification
本論文は、YOLOv11をベースとした8クラス網膜疾患分類のためのディープラーニングフレームワークを提案する。このフレームワークは、マルチスケール特徴表現を階層的に統合するProgressive Spatial Fusion (PSF)モジュールと、分類前に疾患識別特徴を洗練するSqueeze-and-Excitation (SE)ベースのデュアルアテンション機構を組み込んでいる。OCT-C8データセットでの評価では、提案モデルは98.00%の精度、適合率、再現率、F1スコア、および99.70%の特異度を達成し、加齢黄斑変性(AMD)、中心性漿液性網膜症(CSR)、糖尿病網膜症(DR)、黄斑円孔(MH)クラスで完璧な分類性能を示した。Grad-CAMによる可視化は、モデルの予測に影響を与える画像領域に関する定性的な洞察を提供し、OCT文献で報告されている疾患関連構造パターンとの対応を示した。
- YOLOv11をベースに、Progressive Spatial Fusion (PSF)モジュールとSqueeze-and-Excitation (SE)ベースのデュアルアテンション機構を組み込んだ8クラス網膜疾患分類フレームワークを提案。
- OCT-C8データセットでの評価で98.00%の精度・適合率・再現率・F1スコア、99.70%の特異度を達成。
- 加齢黄斑変性(AMD)、中心性漿液性網膜症(CSR)、糖尿病網膜症(DR)、黄斑円孔(MH)のクラスで完璧な分類性能を確認。
- Grad-CAM可視化により、予測に寄与する画像領域がOCT文献で報告されている疾患関連構造パターンと対応することを確認。
医療画像AIの研究論文であり、YOLOv11ベースの網膜疾患8クラス分類で98%精度・特異度99.70%を達成した点は技術的進展として注目される。ただし現時点では単一データセット(OCT-C8)上の学術的成果にとどまり、企業の製品化・薬事承認・収益化の具体的事象は含まれないため、投資判断に直結する材料は限定的。医療AI診断支援は規制承認と臨床導入が価値化の鍵となるため、今後こうしたモデルがFDA等の承認や医療機器企業への実装に進むかを注視したい。