猫の多様な眼疾患の診断を目的とした深層学習モデルの画像に基づく比較評価

3行まとめ

• 猫の12種の眼疾患と健常眼を自動分類するため複数の深層学習モデルの診断性能を比較検証した。
• EfficientNet-B0等が高い曲線下面積を示し角膜黒色壊死症などで高い分類精度が得られた。
• 深層学習による多クラス分類は臨床現場での猫の眼疾患診断における意思決定支援に役立つ可能性がある。

この論文の要約

目的

猫の眼疾患は視覚障害の主要な原因であり、効果的な治療には正確かつ迅速な診断が求められる。本研究の目的は、猫の眼疾患の自動識別および分類を目的として、様々な深層学習（DL）アーキテクチャの性能を比較評価することである。

対象と方法

臨床的に検証された猫の眼画像456枚（健常群および12種類の眼疾患を含む計13クラス）を対象とした。ImageNetの事前学習済み重みを用いた転移学習により、ResNetやEfficientNetを含む9種類の畳み込みニューラルネットワーク（CNN）を訓練した。データ拡張および5分割交差検証を適用し、統計的比較を行った。

主な結果

テストセットにおいて、EfficientNet-B0が最高の分類精度（78%）を達成し、DenseNet-121が最高のマクロ平均F1スコア（0.76）および曲線下面積（AUC 0.9790）を示した。混同行列の解析では、チェリーアイ、健常、角膜黒色壊死症で極めて高い分類一貫性が示された一方、緑内障（再現率0.25）や角膜潰瘍（F1スコア0.29）では低かった。上位3モデル間に統計学的有意差は認められなかった（p > 0.05）。勾配加重クラス興奮マッピングにより、モデルが臨床的に妥当な領域に着目していることが確認された。

臨床的意義

EfficientNet-B0などの結果から、深層学習に基づく多クラス分類は、猫の眼疾患診断における臨床的意思決定の支援に役立つ可能性が示唆される。

⚠️ この要約はAIが自動生成したものです。