EfficientNetB0融合技術を用いた深層学習による多クラス眼疾患分類

早期眼科検査が重要な理由

視力の低下はしばしば静かに進行します。白内障、緑内障、糖尿病による網膜の障害といった一般的な眼疾患は、症状が明らかになるずっと前に視力を奪うことがあります。世界各地で、特に農村部や低所得地域では、すべての人を適時に検査できる眼科医が不足しています。本研究では、眼底写真を解析する賢いコンピュータシステムが、現代の画像検索や顔認識を支えるのと同じタイプの人工知能を用いて、複数の主要な眼疾患を早期かつ信頼性高く発見するのにどのように役立つかを検討します。

一枚のスナップショットで病変を見抜く

眼科医はすでに網膜のカラーフォト—眼の後部にある光感受性層—を用いて疾患を観察しています。これらの画像では、白内障は光学経路の混濁として、緑内障は視神経の形状変化として、糖尿病性網膜症は網膜上の微小な漏出や瘢痕として現れます。研究者らは4,217枚の高解像度網膜画像を収集し、健常、白内障、緑内障、糖尿病性網膜症の四群にきれいに均等化しました。複数の公開データソースから抽出したバランスのとれたコレクションを用いることで、コンピュータが本当の病変サインではなく、特定の病院やカメラ、疾患タイプに結びつく近道を学んでしまうリスクを低減しています。

二つの脳を協働させる

現代の画像解析プログラム、いわゆる深層学習モデルはパターンを見つけるのが非常に得意ですが、それぞれに強みと盲点があります。単一モデルに頼る代わりに、研究チームは二つのよく知られた画像ネットワークを並列に動かし、その出力を融合する「デュアルバックボーン」システムを構築しました。そのうち一つ、EfficientNetB0は画像の一般的な構造を効率的に捉える小型で効率的なモデルで、常にベースとして用いられました。これに対し、ResNet50、InceptionV3、AlexNetという三つのモデルを順に組み合わせ、それぞれがより深い特徴、多段スケール特徴、または軽量なパターン認識に長けています。システムは二つの特徴集合を単純結合、加算、重み付け、あるいは各モデルの投票による最終判断など、複数の方法で組み合わせました。

システムを実地試験する

研究者らは、網膜画像の大部分を用いて12種類のモデル組み合わせを訓練・調整し、一部を性能確認用に取り置きました。内部テストでは、EfficientNetB0とResNet50の特徴を結合するアプローチが最良で、全体精度は約95％、診断性能を表す標準的指標でほぼ満点に達しました。InceptionV3やAlexNetとの類似の組み合わせも高い性能を示しました。訓練セットを丸暗記するのではなく実世界の多様性に対応できるかを見るため、チームは別の病院・異なるカメラで撮影された2つの独立コレクションからの400枚の画像で全モデルを試験しました。ここでは精度がさらに向上し約95％〜98％となり、すべてのモデルが疾患と健常を分ける性能でも非常に高い得点を維持しました。

ブラックボックスの内部を覗く

医師や規制当局は「どれだけ正確か？」だけでなく「なぜそのように判断するのか？」もますます求めています。これに応えるため、著者らはScore-CAMやLIMEといった可視化ツールを用いました。これらのツールは、モデルの判定に最も影響を与える画像の部分を強調し、網膜上にオーバーレイしたヒートマップとしてシステムの「注目領域」を示します。糖尿病性網膜症では、強調領域が漏れている血管や黄斑付近の斑点と一致しました。緑内障では視神経乳頭およびその周辺組織に注目が集まり、損傷が生じる箇所と合致しました。白内障に関する判断は視覚経路に沿った拡散性の混濁を強調しました。重要なことに、正常な眼は不適切な強いホットスポットを示しませんでした。モデルの注目領域と教科書的な解剖学との高い一致は、システムが臨床で医師が用いるのと同じ特徴を捉えていることを示唆します。

日常診療にとっての意義

非専門家にとっての要点は、標準的なカメラで撮影した単一の網膜写真が、複数の主要な失明原因を同時にスクリーニングする助けになる可能性が近くあるということです。デュアルネットワーク設計とそれらの出力を賢く融合する手法は、高精度だけでなく、異なるクリニックや機器から来る画像でも安定した結果をもたらしました。これは実世界での運用に不可欠です。治療の判断を自動で導く前には、より大規模で多様な集団に対する追加検証が依然必要ですが、本研究は異なるタイプの人工的な“目”を組み合わせることで迅速で信頼できるセカンドオピニオンを生み出せることを示しています。多忙な病院、小規模診療所、あるいは移動型のスクリーニングユニットにおいて、こうしたツールは眼科受診が急務の人々を効率的に検出し、数百万の視力を守る助けとなる可能性があります。

引用: Sah, U.K., Chatterjee, J.M. & Sujatha, R. Multi-class eye disease classification using deep learning EfficientNetB0 fusion techniques. Sci Rep 16, 6368 (2026). https://doi.org/10.1038/s41598-026-35357-0

キーワード: 眼疾患, 網膜画像, 深層学習, 緑内障, 糖尿病性網膜症