深層学習モデル EfficientNet V2 に基づく皮膚病分類システム

2014 年時点で中国には約 25,000 箇所の病院があり， 約 17,000 人の皮膚科医が勤務している．皮膚科医は 1 日当たり約 100 人の患者を診断している ．日本厚生 労働省の調査によると，2019 年における皮膚科医の週 平均労働時間は 53 時間 51 分であった．週 5 日の勤務 日であれば，一日当たり 10 時間以上働く必要があり， 皮膚科医の負担が大きいことが分かる．医師が長時間 にわたり多くの患者を診断することで，誤診をする可 能性がある．

皮膚病は一般的によく見られる病気であり，疾患部 位は皮膚である．また，皮膚病は視診だけで判断でき る場合が多く，特徴は直観的で比較的分かりやすい．そ のため，皮膚科医の仕事の負担を軽減するために，医 師の診断を支援する AI が役立つと考えられる．

本研究では深層学習モデルを通じて高精度の皮膚病分類システムの構築，患者は診察前に自分の病状を把握，医者はAIの結果に基づいて診断，医者の負担を軽減，誤診を避ける

(1) システム概要

(2) 転移学習

(3) 使用するモデル

図１. MBConv 構造と本研究で改善した MBConv 構造

本研究で使用するデータ前処理について説明する． データセットをランダム水平反転，ランダム垂直反転， 20 度 [-10,10] の範囲でランダム回転，ランダムカラー ジッタを行う．次にデータセットをするために，入力 データの平均値μ，標準偏差σを得る．入力データは 線形変換により平均値が 0，標準偏差 1 の標準正規分 布に変換される．これにより，収束が加速され，演算 速度が向上する．

(1) 使用するデータセット

本研究で使用する ISIC 2019 皮膚病データセットは， 合計 25,331 枚の皮膚科学的画像で構成され，そのうち 80% はモデルのトレーニングに使用し，20% はテスト セットとして使用した．また，学習データには 8 つの カテゴリの皮膚病が含まれており，テストデータには 8 つのカテゴリの皮膚病及び皮膚病ではない画像が含ま れている．データセットには，メラノーマ，母斑，脂腺 角化症，基底細胞癌，光線性角化症／ボーエン病，皮 膚線維腫，血管病変，基底細胞癌などの皮膚疾患が含 まれている． 本研究では ImageNet データセットを用いた転移学習 を行い，モデル精度の向上を目指す．

本研究で学習したモデルはAccuracyを用いて評価を行った．non−localモジュールを加えたモデル分類精度は，図2のように、Efficientnet V 2本来のモデルよりも精度が高い． 図 2は2つのモデルによるISIC 2019データセット分類の精度．

図2. テストセット上での精度(acc)

画像の分類結果

学習したモデルによる画像の分類結果として基底細 胞癌と分類されたものを図3に示す．図3では，分類 の結果に加えて，入力画像と分類された皮膚病画像と の類似度を示した．

図3. 出力の画像