精度を超えて：勝ちモデルと負けモデルの比較を通じた医療画像分類評価のための多次元フレームワーク

要旨 高性能な深層学習モデル（ResNetなど）は、大規模な自然画像データセット用に最適化されているため、医療画像処理タスクに直接適用すると一般化に失敗することが多い。本研究は、DermaMNISTデータセットを使用した皮膚病変分類の文脈において、「オフ・ザ・シェルフ」モデルの限界を調査する。異なる画像解像度と深さにわたる35のアーキテクチャ構成の系統的評価を通じて、中程度の深さのアーキテクチャ（3～4層）と中間解像度（128×128）が精度と一般化の間の最良のバランスを達成することが明らかになった。トップパフォーマンスのRevNet-layer3モデル（精度 = 0.766）は、より深いResNetのベースラインを有意に上回っており（p < 0.05）、深さや解像度の増加が医療分野のパフォーマンスの向上を保証するものではないことを示している。精度指標を超えて、この研究は「Win」モデルと「Lose」モデル間のGrad-CAMヒートマップを比較するクロスアーキテクチュラル解釈可能性フレームワークを導入し、フラクタル次元、エントロピー、対称性などの定量的知覚指標によって裏付けられている。結果は、フラクタル次元が効果的かつ非効果的な注意パターンを一貫して識別することを示しており、モデルの解釈可能性のより客観的な測定基準を提供している。これらの発見は、普遍的な最高パフォーマンスモデルの仮定に挑戦し、ドメイン特有のアーキテクチャ検査と解釈可能性主導の評価の必要性を強調している。本研究は、医療画像分類におけるパフォーマンスと解釈可能性のトレードオフを理解するための新しい方法論を提供し、ヘルスケアにおける深層学習システムのより透明で信頼性の高い展開を促進します。