KLIP: 拡散モデルの事前分布を用いたKL発散による逆問題での局所的分布シフト検出

コンピュータの世界では「拡散モデル」という最新技術が注目を集めています。これは、ぼやけた画像をだんだん鮮明にしていくプロセスを逆向きに学習する仕組みで、画像生成AIの核となっている技術です。今回、研究者たちはこの拡散モデルを全く違う用途に活用する方法を発見しました。異常を見つけるためのツールとして使おうという試みです。

従来、医療画像から腫瘍やポリープなどの異常を自動検知するには、膨大な正常画像と異常画像をあらかじめ集めて、AIに「これが正常、これが異常」と教え込む必要がありました。いわば、医者が診断経験を積むように、AIも大量のデータで訓練されなければならなかったのです。

ところが「KLIP」という新しい検出手法は、この準備段階を大幅に省いてしまいます。拡散モデルがもともと持っている「正常な画像はこうあるべき」という知識を借りることで、わざわざ事前学習データを用意せずに異常を見つけられるようになったのです。

興味深いのは、検知の精度です。この手法は二つのレベルで異常をキャッチできます。ひとつは画像全体が異常な場合。もうひとつは、例えば健康なCTスキャンの中に小さな腫瘍がある場合のように、一部分だけが異常な場合です。医療現場では後者が診断の難しさになることが多いため、この能力は実用的価値が高い。

医療画像診断はAIの活躍が期待される領域ですが、導入には課題がありました。病院ごとに撮影機器が異なったり、患者属性が変わったりすると、AIがうまく機能しなくなることがあるのです。今回の研究は、そうした環境の違いにも強い、より汎用的な異常検知の実現可能性を示唆しています。

応用の範囲は医療に限りません。工場での製品検査、建設現場での施工不良検出、セキュリティ監視など、「正常」と「異常」を見分ける必要があるあらゆる場面で活躍する可能性があります。データ準備の手間が減れば、中小企業でもこうした技術を導入しやすくなるでしょう。