NeuroTrustNet: クロスデータセットのばらつき下での脳腫瘍分類のための費用対効果の高いマルチモーダルアンサンブルフレームワーク
NeuroTrustNet: a cost-effective multimodal ensemble framework for brain tumor classification under cross-dataset variability
MRIを用いた脳腫瘍分類は、データセットの不均一性、クラスの不均衡、解釈性の限界から困難が伴う。本研究では、適応的注意スタッキング(AAS)メカニズムを提案し、畳み込みニューラルネットワーク(CNN)、Vision Transformer(ViT)、および手作りのラディオミクス表現を組み合わせた統合マルチモーダルフレームワーク「NeuroTrustNet」を提案する。これにより、クロスデータセットのばらつき下での堅牢性を向上させつつ、デプロイメント指向の計算効率を維持するサンプル固有の特徴融合が可能になる。実験の結果、高キャパシティアンサンブルモデルは最高の精度(外部テストセットで最大96%)を達成する一方、NeuroTrustNetは競争力のある性能(94%)を維持しつつ、完全なエンドツーエンドアンサンブルトレーニングと比較して融合最適化ステージの計算コストを約80%削減した。さらに、解釈性を高めるために、モデル出力から派生した構造化テキスト要約と組み合わせた事後解釈性コンポーネントを組み込み、モデル予測に影響を与えることなく、透明で人間が読める洞察を可能にする。
- CNN・Vision Transformer(ViT)・手作りのラディオミクス表現を統合したマルチモーダルフレームワーク「NeuroTrustNet」と適応的注意スタッキング(AAS)を提案し、クロスデータセットのばらつき下での堅牢性を向上させた
- 外部テストセットで最高精度96%の高キャパシティアンサンブルに対し、NeuroTrustNetは94%を維持しつつ融合最適化ステージの計算コストを約80%削減した
- モデル出力から派生した構造化テキスト要約による事後解釈性コンポーネントを組み込み、予測性能に影響を与えずに人間が読める洞察を可能にした
医療画像AIの研究論文であり、特定企業の製品・調達・規制といった直接的な投資事象は含まれない。ただし、CNN・ViT・ラディオミクスを組み合わせたマルチモーダルアンサンブルで融合最適化コストを約80%削減しつつ外部テスト精度94%を維持した点は、医療AIの実運用コスト低減と解釈性確保という導入障壁の解消に効く方向性であり、医療画像診断AIへの投資テーマの進捗指標として注視したい。クロスデータセット汎化性能は規制承認・実臨床展開の可否を左右する要素でもある。