内視鏡画像における説明可能な多クラス消化器疾患診断のためのウィンドウアテンションを用いたマンバベースの状態空間モデリング
Mamba-based state-space modeling with window attention for explainable multi-class gastrointestinal disease diagnosis in endoscopic images
本論文では、内視鏡画像を用いた消化器疾患の診断精度と効率を高めるための新しいハイブリッド深層学習アーキテクチャ「GINet」を提案する。GINetは、強力な特徴抽出のためにEfficientNetV2をベースとし、局所的な空間依存性を捉えるためのウィンドウベースのアテンション機構と、線形計算量で長距離のグローバルコンテキスト関係をモデル化するマンバベースの状態空間モジュールを組み合わせている。データ前処理パイプラインには、クラスフィルタリング、データ拡張による不均衡管理、リークフリーな訓練・テスト分割が含まれる。9つの臨床的に関連のある消化器疾患クラスからなるデータセットを使用し、訓練データは均等に分布させている。提案手法は、分類器ファインチューニング後に99.41%の検証精度、テストセットで93%の精度を達成し、ベースラインモデルと比較して有意な性能向上を示した。また、Grad-CAMを用いた説明可能なAIにより、モデルが臨床的に意味のある領域に注目することが示され、透明性と信頼性が向上した。
- 内視鏡画像による消化器疾患診断向けのハイブリッド深層学習アーキテクチャ「GINet」を提案。EfficientNetV2を特徴抽出の基盤とし、ウィンドウベースのアテンション機構とMambaベースの状態空間モジュールを組み合わせている。
- Mambaベースの状態空間モジュールにより、線形計算量で長距離のグローバルコンテキスト関係をモデル化する。
- 9つの臨床的に関連のある消化器疾患クラスのデータセットで、分類器ファインチューニング後に検証精度99.41%、テストセット精度93%を達成し、ベースラインモデルから有意な性能向上を示した。
- Grad-CAMによる説明可能なAIを適用し、モデルが臨床的に意味のある領域に注目することを示した。
内視鏡画像の消化器疾患診断という医用画像AIの応用研究だが、提案手法GINetはEfficientNetV2にウィンドウアテンションとMamba系状態空間モジュールを組み合わせ、線形計算量で長距離依存を扱う点が技術的な核。9クラス分類で検証99.41%・テスト93%という数値は単一データセット・自前分割での結果であり、臨床実装や規制承認までの距離は大きい。投資家としては、Mamba(状態空間モデル)が医用画像の実用パイプラインに波及し始めている流れと、Grad-CAMによる説明可能性が規制対応(透明性・信頼性)の要件になりつつある点を、AI医療診断分野の競争軸として押さえておきたい。ただし本記事は研究発表段階で、企業業績や調達に直結する事象は含まれない。