よむ、つかう、まなぶ。
2025年6月17日 少数データの学習でも正確な肝腫瘍抽出を学ぶ スモールデータAIを開発 (3 ページ)
出典
ページ画像
ダウンロードした画像を利用する際は「出典情報」を明記してください。
低解像度画像をダウンロード
プレーンテキスト
資料テキストはコンピュータによる自動処理で生成されており、完全に資料と一致しない場合があります。
テキストをコピーしてご利用いただく際は資料と付け合わせてご確認ください。
を上回っています。この性能は先端モデルである U-Net や Res U-Net、H-DenseUNet
も凌駕しています（図 2）
。さらに、軽量なアーキテクチャの本モデルは、10 分未満で
の⾼速学習と、患者 1 ⼈あたり約 4 秒の⾼速推論が可能であるため、計算機設備に制約
のある臨床現場での使⽤に⾮常に適しています。
表
異なる学習データセットサイズにおけるモデルの性能⽐較（DICE スコア）
モデル
転移学習
腫瘍 7 個
腫瘍 14 個
腫瘍 28 個
Seg-Net 3D
ImageNet
0.395*േ0.34
0.467*േ0.29
0.573*േ0.28
U-Net 3D
ImageNet
0.455*േ0.29
0.517*േ0.29
0.575*േ0.30
Res U-Net 3D
ImageNet
0.378*േ0.34
0.588*േ0.28
0.634*േ0.20
H-DenseUNet
ImageNet
0.445*േ0.30
0.594*േ0.28
0.641*േ0.20
KiU-Net
ImageNet
0.413*േ0.29
0.547*േ0.28
0.623*േ0.25
MHP-Net (Ours)
None
0.691 േ0.18
0.709 േ0.18
0.719 േ0.17
注：*は MHP-Net に対する統計的有意性を⽰す（P＜0.05）
図２
提案モデルと他の先端モデルの肝腫瘍セグメンテーション結果の⽐較
●社会的インパクト
本研究では、極めて限られたデータセットでも⾼い性能を達成するディープラーニン
グモデル、MHP-Net を開発しました。このようなスモールデータ AI では、学習に必要
なデータ数を抑えることができるため、さまざまな疾患に対応する AI の開発を実現で
きます。特に、⼤規模なデータセットやハイエンドの計算インフラの準備が特に難しい
中⼩規模病院や診療所で、医療 AI を導⼊しやすくなります。また、MHP-Net では医師
も凌駕しています（図 2）
。さらに、軽量なアーキテクチャの本モデルは、10 分未満で
の⾼速学習と、患者 1 ⼈あたり約 4 秒の⾼速推論が可能であるため、計算機設備に制約
のある臨床現場での使⽤に⾮常に適しています。
表
異なる学習データセットサイズにおけるモデルの性能⽐較（DICE スコア）
モデル
転移学習
腫瘍 7 個
腫瘍 14 個
腫瘍 28 個
Seg-Net 3D
ImageNet
0.395*േ0.34
0.467*േ0.29
0.573*േ0.28
U-Net 3D
ImageNet
0.455*േ0.29
0.517*േ0.29
0.575*േ0.30
Res U-Net 3D
ImageNet
0.378*േ0.34
0.588*േ0.28
0.634*േ0.20
H-DenseUNet
ImageNet
0.445*േ0.30
0.594*േ0.28
0.641*േ0.20
KiU-Net
ImageNet
0.413*േ0.29
0.547*േ0.28
0.623*േ0.25
MHP-Net (Ours)
None
0.691 േ0.18
0.709 േ0.18
0.719 േ0.17
注：*は MHP-Net に対する統計的有意性を⽰す（P＜0.05）
図２
提案モデルと他の先端モデルの肝腫瘍セグメンテーション結果の⽐較
●社会的インパクト
本研究では、極めて限られたデータセットでも⾼い性能を達成するディープラーニン
グモデル、MHP-Net を開発しました。このようなスモールデータ AI では、学習に必要
なデータ数を抑えることができるため、さまざまな疾患に対応する AI の開発を実現で
きます。特に、⼤規模なデータセットやハイエンドの計算インフラの準備が特に難しい
中⼩規模病院や診療所で、医療 AI を導⼊しやすくなります。また、MHP-Net では医師