問題定義: (腫瘍学におけるマルチモーダルなデータ統合のための人工知能)

複数のインスタンスの学習

MIL は、入力の複数のインスタンスが個別にラベル付けされず、監視信号がバッグと呼ばれることが多いインスタンスのセットにのみ適用される、弱教師あり学習の一種です (Carbonneau et al., 2018; Cheplygina et al., 2019)バッグに少なくとも1 つの陽性例がある場合、バッグのラベルは陽性であるとみなされます。モデルの目標は、袋のラベルを予測することです。MIL モデルは、特徴の学習または抽出、集約、および予測の 3 つの主要モジュールで構成されます。最初のモジュールは、画像やその他の高次元データを低次元の埋め込みに埋め込むために使用され、動的にトレーニングしたり ( Campanella et al., 2019 )、教師あり学習または自己教師あり学習からの事前トレーニングされたエンコーダーを使用して、トレーニング時間とデータ効率 ( Lu et al., 2021 )。インスタンスレベルの埋め込みが集約されて、最終分類モジュールへの入力として機能する患者レベルの表現が作成されます。一般的に使用される集約戦略はアテンションベースのプーリング ( Ilse et al., 2018 ) で、完全に接続された 2 つのネットワークを使用して各インスタンスの相対的な重要性を学習します ( Ilse et al., 2018 )。対応する注意スコアによって重み付けされたパッチレベルの表現が合計されて、患者レベルの表現が構築されます。注意スコアは、モデルの予測根拠を理解するためにも使用できます (詳細については、「マルチモーダル解釈可能性」を参照してください)。大規模な医療データセットでは、きめの細かいアノテーションが利用できないことが多いため、MIL は深いモデルのアプローチをトレーニングするのに最適です。がん病理学におけるいくつかの最近の例（Campanella et al., 2019、Lu et al., 2021、Lu et al . , 2021）およびゲノミクス（シドムら、2021 年）

ビジョントランスフォーマー

位置エンコーディングと複数のセルフアテンションヘッドにより、空間情報の組み込みが可能になり、コンテキストと堅牢性が向上します ( Li et al., 2022 ; Shamshad et al., 2022 ) VIT メソッドは他のメソッドよりも優れたパフォーマンスを発揮します

マルチモーダルデータフュージョン

マルチモーダルデータフュージョンの目的は、より適切な意思決定を行うために、さまざまなモダリティの相補的なコンテキスト情報を抽出して組み合わせることです ( Zitnik et al., 2019 )。これは、あるパターンの同様の所見が他のパターンと組み合わせると異なって解釈される可能性がある医学において特に重要です ( Iv et al., 2021 )。たとえば、 IDH1変異の状態や組織学的特徴だけでは、患者の転帰の違いを説明するには不十分であり、最近では両方の組み合わせがびまん性神経膠腫の WHO 分類を再定義するために使用されています( Louis et al., 2016)。予測を改善するために、異種データからの補完的な情報と臨床状況を統合する客観的な方法。マルチモーダルなデータ駆動型 AI モデルは、モダリティ内の相補的および補足的な情報を活用することもでき、ユニモーダルデータにノイズが多い、または不完全な場合は、他のモダリティから冗長な情報を補完することで、予測の堅牢性と精度を向上させることができます。AI 主導のデータ融合戦略 ( Baltrušaitis et al., 2018 ) は、初期段階、後期段階、中期段階に分けることができます。

(A) 早期融合では、モデルにフィードする前に、入力レベルで生データまたはフィーチャから結合表現を構築します。
(B) 後期融合では、モダリティごとに個別のモデルをトレーニングし、個々のモデルからの予測を意思決定レベルで集約します。
(CE) 中間融合では、予測損失が各モダリティの特徴抽出層に伝播して戻され、マルチモーダルコンテキストで改善された特徴表現を繰り返し学習します。単峰性データは、(C) 単一レベルで、または (D) 異なるレイヤー間で段階的に融合できます。
(E) ガイド付き融合により、モデルは 1 つのモダリティからの情報を使用して、別のモダリティからの特徴抽出をガイドできます。

初期融合

初期融合では、単一のモデルにフィードする前に、入力レベルですべてのモダリティからの情報が統合されます。モダリティは、生データ、手作りまたは詳細な特徴として表すことができます。結合表現は、ベクトル連結、要素ごとの合計、要素ごとの乗算 (アダマール積)、または双線形プーリング (クロネッカー積) などの演算によって構築されます (Huang et al., 2020; Ramachandram and Taylor , 2017 )。、トレーニングされるモデルは 1 つだけなので、設計プロセスが簡素化されます。ただし、単一のモデルがすべてのモダリティに適切に適合すると想定されています。早期融合には、モダリティ間のある程度の調整または同期が必要です。これは、音声認識における音声信号と視覚信号の同期など、他の分野でより明らかですが、臨床現場でも重要です。介入前と介入後など、パターンが大幅に異なる時点のものである場合、早期融合は適切な選択肢ではない可能性があります。

後期融合

遅延融合 (意思決定レベル融合とも呼ばれます) は、モダリティごとに個別のモデルをトレーニングし、個々のモデルからの予測を集約して最終予測を行います。集計は、平均化、多数決、ベイジアンルールベース ( Ramanathan et al., 2022 )、または学習済みモデル (MLP など) によって実行できます. Late Fusion では、モダリティごとに異なるモデルアーキテクチャが許可され、データは同期されませんこれは、異なる時点からの大規模なデータの異質性やモダリティを持つシステムに適しています。後期融合では、各モデルが個別にトレーニングされ、モダリティが欠落している場合でも多数決などの集計を適用できるため、データが欠落または不完全な場合でも予測を行う機能が保持されます。同様に、完全なモデルを再トレーニングすることなく、新しいモダリティの組み込みを実行できます。年齢や性別などの単純な共変量は、その単純さのため、遅延融合に含まれることがよくあります (図 3Bを参照)。単峰性データが互いに補完しないか、強い相互依存性がない場合、遅延融合の方が効果的である可能性があります。他の融合戦略よりもアーキテクチャが単純でパラメータが少ない。これは、データが限られている場合にも役立ちます。さらに、個々のモデルからの誤差は相関がない傾向があり、その結果、後で統合される予測のバイアスと分散が低下する可能性があります。さまざまなモダリティの情報密度が大きく異なる場合、共有表現からの予測は最も支配的なモダリティによって大きく影響される可能性があります。後期融合では、集約ステップで各モダリティに等しいまたは異なる重みを設定することによって、制御された方法で各モダリティの寄与を説明できます。

中間融合

これは、マルチモーダルモデルの損失が各モダリティの特徴抽出レイヤーに伝播されて、マルチモーダルコンテキストでの特徴表現を反復的に改善する戦略です。対照的に、初期および後期の融合では、単峰性の埋め込みは多峰性の情報の影響を受けません。Intermediate Fusion は、さまざまな抽象化レベルで個別のモダリティを組み合わせることができます。さらに、3 つ以上のモダリティを備えたシステムでは、データを一度にすべて融合することも (図 3C )、異なる層にわたって段階的に融合することもできます (図 3D )。フュージョン、ユニモーダル埋め込みはマルチモーダルコンテキストの影響を受けません。プログレッシブフュージョンでは、同じレベルで相関性の高いチャネルからのデータを組み合わせることができるため、モデルは特定のモダリティ間の相互相関を考慮する必要があり、その後、後続のレイヤーで相関性の低いデータと融合されます。たとえば、図 3Dでは、突然変異と組織形態学的変化の間の相互作用を説明するためにゲノムデータと組織学的データが最初に融合され、マクロ放射線学的データとの関係は後の層で考慮されます。プログレッシブフュージョンは、一部のアプリケーションにおいてシングルステージフュージョンよりも高いパフォーマンスを示しています ( Joze et al., 2020 ; Karpathy et al., 2014)最後に、ガイド付きフュージョンにより、モデルは 1 つのモダリティからの情報を使用して、別のモダリティからの特徴抽出をガイドできます。。例えば、図２Ｅでは、ゲノム情報が組織学的特徴の選択をガイドする。その動機は、異なる組織領域が特定の突然変異の存在と関連している可能性があるということです。特定の分子情報の存在下でのさまざまな組織学的特徴の相関関係を反映する同時注意スコアのガイド付き融合学習。同時注意スコアはマルチモーダルモデルを介して学習され、ゲノムの特徴と対応するゲノムに基づく組織学的特徴が最終的なモデル予測のために組み合わされます。

マルチモーダルな解釈可能性

解釈可能性とモデルのイントロスペクションは、AI の開発、展開、検証に不可欠なコンポーネントです。AI モデルは抽象的な特徴表現を学習できるため、これらのモデルが臨床的に関連する側面を学習するのではなく、予測を行うために偽のショートカットを使用する可能性があるという懸念があります。このようなモデルは、新しいデータが利用可能になったとき、または特定の集団を区別したときに一般化できない可能性があります ( Banerjee et al., 2021 ; Chen et al., 2021a )。一方、これらのモデルは、斬新で臨床的に関連性のある洞察を明らかにすることができます。ここでは、腫瘍学モデルのイントロスペクションに使用されるさまざまな方法の簡単な概要を示しますが、より技術的な詳細については、最近のレビューで見つけることができます ( Arrieta et al., 2020 )。モデルが重要と考えるデータの部分ですが、特徴表現自体は抽象的なままです。

(A および B) 組織学: MIL モデルはWSI の腎細胞癌のサブタイプを分類するようにトレーニングされ、CNN は画像パッチで同じタスクを実行するようにトレーニングされました。(A) アテンションヒートマップと、アテンションスコアが最低および最高のパッチ。(B) 各クラスの GradCAM 属性。
(C および E) 統合された勾配属性は、(C) ゲノミクスまたは (E) EMR の分析に使用できます。アトリビューションのサイズは各特徴の重要性に対応し、方向は低リスク (左) と高リスク (右) に対する特徴の影響を示します。色は入力特徴の値を指定します。コピー数の増加と突然変異の存在は赤色で示され、コピー数の減少と野生型の状態には青色が使用されます。(E) 注意スコアは、医学文書内の単語の重要性を分析するために使用できます。
(D および F) 放射線学: MIL モデルは、アキシャルスライドを個別のインスタンスとして使用して、MRI スキャンから生存率を予測するようにトレーニングされます。(D) 最も高い注意力と最も低い注意力を持つ 3D MRI スキャンとスライドにマッピングされた注意力のヒートマップ。(F) GradCAM を使用して、各 MRI スライドのピクセルレベルの解釈可能性を取得しました。3D ピクセルレベルの解釈可能性は、対応するスライドの注意スコアに従ってスライドレベルの GradCAM マップに重み付けを行うことによって計算されます。

病理組織学

組織病理学では、VIT または MIL により、モデル予測に対する各画像パッチの相対的な重要性が明らかになります。モデルアーキテクチャに応じて、図Aに示すように、注意スコアまたは確率スコアをマッピングして、スライドレベルの注意ヒートマップを取得できます。ここでは、MIL モデルが WSI でがんのサブタイプを分類するようにトレーニングされています。手動による注釈は使用されませんでしたが、モデルは各癌タイプの特定の形態を認識し、正常組織と悪性組織を区別することを学習しました。GradCAM ( Selvaraju et al., 2017 ) や GradCAM++ ( Chattopadhay et al., 2018)などのクラスアクティベーションメソッド (CAM) を使用すると、入力の変化が予測される各モデルの出力にどのような影響を与えるかを計算することでモデルの入力を決定できます。クラス (ピクセルの重要性など)。GradCAM は、多くの場合、ガイド付きバックプロパゲーション法、いわゆる Guided GradCAM ( Selvaraju et al., 2016 ) と組み合わせて使用されます。ガイド付きバックプロパゲーションは、GradCAM で指定された予測領域内のピクセルレベルの重要性を決定します。これを図 B に示します。ここでは、CNN が画像パッチ内のがんのサブタイプを分類するようにトレーニングされています。比較のために、アテンション法では、各インスタンスの重要性はトレーニング中に決定されますが、CAM ベースのメソッドはモデルに依存しません、つまり、モデルのトレーニングから独立しています。

分子データ

分子データは、特定の入力の変化がモデルの出力にどのような影響を与えるかを示すプロパティ値を計算する積分勾配法 ( Sundararajan et al., 2017 ) によって分析できます。生存分析などの回帰タスクの場合、属性値は影響の方向だけでなく重要度も反映できます。正の属性を持つ特徴は予測出力を増加させます (つまり、より高いリスク) が、負の属性を持つ特徴は予測値を減少させます。 (つまり、リスクが低くなります)。患者レベルでは、これは棒グラフとして視覚化されます。Y 軸は特定の特徴 (属性の絶対値でソート) に対応し、X 軸は対応する属性値を示します。母集団レベルでは、アトリビューションプロットは、すべての被験者にわたるアトリビューションスコアの分布を示します。図 4C は、神経膠腫患者の生存予測にとって最も重要なゲノム特徴の帰属マップを示しています ( Chen et al., 2021c )。手作りの特徴やEMRから取得した値など、他の表形式のデータも同様に解釈できます。EMRは、Transformers などの自然言語処理(NLP) 手法によって分析することもできます。この手法では、注意スコアによってテキスト内の特定の単語の重要性が決まります (図 E)。

マルチモーダルモデル

マルチモーダルモデルでは、プロパティマップによって、モデルの予測に対する各モダリティの寄与も決定できます。前述のすべての方法は、マルチモーダルモデルで使用して、各モダリティの解釈可能性を調査できます。さらに、単一モーダル設定とマルチモーダル設定下での機能の重要性の変化を調査して、マルチモーダル環境の影響を分析できます。

解釈可能性の手法には一般に正確性の尺度がないため、解釈しすぎないことが重要です。CAM またはアテンションベースの方法は、予測領域の位置を特定できますが、どの特徴が関連しているかを特定することはできません。つまり、位置は説明できますが、その理由は説明できません。さらに、関心/帰属の高いすべての領域が臨床的に関連しているという保証はありません。スコアが高いということは、モデルがこれらの領域が他の領域よりも重要であると考えていることを意味します。

マルチモーダル輸送データ相互接続

マルチモーダルデータ相互接続の目的は、関連性を明らかにし、モダリティ全体で情報を共有することです。このような関連性は、がん生物学に対する新たな洞察を提供し、新たなバイオマーカーの発見を導くことができます。データ探索方法は多数ありますが、ここでは考えられるいくつかの方向性を説明します。

(A および B) AI は、(A) 組織学的画像または放射線画像から特定の変異の実現可能性を推測する、または (B) ラジオミクスからの組織学的サブタイプ特性の予測など、非侵襲的モダリティと侵襲的モダリティの間の関係。
(C) これらのモデルは、臨床データと患者転帰の間の関連性を明らかにし、パターン内およびパターン間の予測特徴を発見するのに役立ちます。
(D) EMR またはウェアラブルデバイスを通じて取得した情報を分析して、がんの発症に関連する危険因子を特定したり、早期介入をサポートするために治療反応や薬剤耐性に関連したパターンを明らかにしたりすることができます。

形態学的関連性

悪性変化はスケール全体に伝播することが多く、発がん性突然変異は細胞の挙動に影響を与え、組織形態や組織学的画像で確認できる腫瘍微小環境を再形成する可能性があります。したがって、微視的な変化は腫瘍の代謝活動や、PETまたは MRI スキャンで検出可能な肉眼的な外観に影響を与える可能性があります。Coudrayらは、クロスモーダル関連性を特定するための人工知能アプローチの実現可能性を初めて実証した。Coudray et al., 2018）は、肺がんにおける特定の変異がヘマトキシリン・エオシン（H&E）染色されたWSIから直接推定できることを示しました。他の研究も続き、肝臓( Chen et al., 2020a )、膀胱がん( Loeffler et al., 2021 )、結腸直腸がん( Jang et al., 2020 )および甲状腺がん( Tsou et al. , 2020)におけるWSIの変異状態を予測した。 ., 2020). Wu, 2019 )、あらゆる種類の腫瘍における遺伝子変化を予測するための汎癌、汎変異研究の実施を試みている( Fu et al., 2020 ; Kather et al., 2020 )。遺伝子発現などの他の分子バイオマーカー ( Anand et al., 2020 ; Binder et al., 2021 ; Schmauch et al., 2020)、ホルモン受容体の状態 ( Naik et al., 2020 )、腫瘍変異負荷 ( Jain and Masood, 2020 )、およびマイクロサテライトの不安定性( Cao et al., 2020 ; Echle et al., 2020 ) も、「からの推論」から変更されました。 WSI ( Murchan et al., 2021 )。放射線医学では、AI モデルは術前の脳 MRIスキャン( Bangalore Yogananda et al., 2020 ; Yogananda et al., 2020 ) およびマンモグラフィーにおける IDH 変異と 1p/19q 同時欠失状態を予測しました。BRCA1およびBRCA2変異状態( Ha et ) EGFRおよびKRAS肺がん（Wang et al ., 2019 ）および 結腸直腸がん（ He et al., 2020）のスキャン ) CTスキャンにより変異が検出されました。

AI モデルは、モダリティ間の形態学的関連の存在を発見することにより、探索的研究を強化し、候補となるバイオマーカーの検索スペースを削減できます。例えば、図５Ａにおいて、ＡＩは、研究された変異の１つがＷＳＩから確実に推測できることを明らかにした。モデルで使用される予測機能は不明である可能性がありますが、解釈可能性の手法により追加の洞察が得られます。アテンションヒートマップは、特定の変異の予測に関連する組織領域を明らかにできます。注意スコアが高い領域と低い領域のさまざまな組織構造と細胞タイプを識別でき、核の形状や体積などのそれらの特性をさらに抽出して分析できます。クラスタリングまたは次元削減手法を導入して有望な特徴を調べることができ、突然変異状態とさまざまな形態学的特徴との関連性が明らかになる可能性があります。

結果の関連付け

個別化医療の利点は、患者の転帰における二分法を説明できるバイオマーカーの欠如によって制限されることがよくあります。一方、AI モデルは、生存 ( Lai et al., 2020 )、治療反応 ( Echle et al., 2020 )、再発 ( yamamoto et al., 2019 )、放射線毒性( Men et al., 2019 ）、単峰性および多峰性（ Chen et al., 2020b 、 2021c ; Joo et al., 2021 ; Mobadersany et al., 2018）データを使用します。これらの研究は、解釈可能性手法によって解明できる、データ内の関連する予後パターンを発見する AI モデルの実現可能性を示唆しています。例えば、図５Ｃでは、組織学的データおよびゲノムデータから生存を予測するためにモデルが訓練されている。アテンションヒートマップにより、低リスクおよび高リスクの患者集団に関連する組織領域が明らかになり、分子プロファイルはアトリビューションマップを通じて分析されます。予測された組織領域は、組織形態、細胞サブタイプ、またはその他の人が解釈可能なデータ特徴を調べることによってさらに分析できます。腫瘍浸潤リンパ球は、免疫ホット腫瘍とコールド腫瘍を指定するために、腫瘍と免疫細胞の共局在化によって推定できます。モダリティ固有の帰属と、単峰性データと多峰性データにおける特徴の重要性の変化を調査して、多峰性コンテキスト化の影響を判断できます。

これらの探索的研究は、新たな臨床的洞察を提供しました。たとえば、Geesink et al. ( Geesink et al., 2019 ) は、直腸癌では腫瘍対間質の比率が独立した予後指標として使用できることを示しましたが、胃癌では腫瘍面積と転移性リンパ節面積の比率が予後価値を持っています( Wang et al., 2019)。、2021年）。乳房組織学におけるコラーゲン線維の整列（ Li et al., 2021 ）や結腸直腸組織における空間的組織化（ Qi et al., 2021 ）などの他の形態学的特徴は、浸潤性または再発バイオマーカーの可能性があると特定されています。

早期予測者

AI は、患者の診断前に取得されたさまざまなデータを調査して、潜在的に予測的な危険因子を特定することもできます。EMR は、患者の病歴、投薬、アレルギー、予防接種など、患者の転帰に寄与する可能性のある豊富な情報を提供します。AI モデルは、これらの多様なデータを効率的に分析して、さまざまな患者サブグループを検索できます (図 5D )。特定されたサブグループは、さまざまな患者の転帰と関連付けることができ、属性マップにより、患者および集団レベルでのさまざまな要因の相関関係を特定できます。より最近では、Placido et al. ( Placido et al., 2021) は、 EMR を探索することにより、膵臓がんの高リスク患者を識別するための AI の実現可能性を実証しました。同様に、EMRは治療反応( Chu et al., 2020 )や入院期間( Alsinglawi et al., 2022 )を予測するために使用されます。特定された新たな予測危険因子は、集団スクリーニングと早期予防ケアをサポートする可能性があります。

病院の外では、スマートフォンとウェアラブルは、リアルタイムで継続的な患者モニタリングのもう 1 つの優れた機会を提供します。患者の歩数の減少などの測定値の変化は、臨床転帰の悪化や入院のリスク増加の強力な予測因子であることが示されています (Low, 2020) さらに、最新のウェアラブルデバイスは、体温測定を含むように機能を拡張し続けています。、ストレスレベル、酸素飽和度、または心電図。これらの測定値を臨床データと並行して分析して、毒性の増加や治療に対する抵抗性の初期段階を示す危険因子を探すことができ、治療中の個別化された介入が可能になります。個人化されたモニタリングとナノテクノロジーの研究では、患者の汗の測定値の検出 ( Xu et al., 2019 ) や服薬アドヒアランスと薬物吸収を監視するための摂取可能なセンサー ( Weeks et al., 2018 ) などの新しい方向性が研究されています。患者の状態に関する有用な洞察を提供し、AI モデルによって大規模な臨床現場で分析できます。

パターンのような配置

このアプローチには通常、同じシステムの異なるイメージングモダリティが含まれます。これは通常、モダリティ間の差異を最小限に抑える最適化問題として定式化される画像レジストレーションを通じて実現されます。

放射線医学では、硬い解剖学的構造がデータの調整に役立ちます。たとえば、頭蓋骨の剛性のおかげで、 MRI および PET脳スキャンの位置合わせは、単純なアフィン位置合わせであっても、多くの場合高精度で達成できます。肺画像化における呼吸やスキャン中の体の姿勢の変化など、動きや変形がある場合、状況はさらに複雑になります。このようなデータの位置合わせには、多くの場合、自然のランドマークまたは手動で配置されたガイド用のランドマークを使用した、変形可能な位置合わせが必要です。特に困難なケースは、腫瘍切除、治療への反応、または組織圧迫による多くの重要な変動を示す、介入間のスキャン登録、たとえば術前スキャンと術後スキャンです (Ha Skins et al., 2020 )。

組織学では、通常、各染色スライドは異なる組織切片からのものです。連続した組織切断であっても、組織の微小環境の変化や、組織の折り畳み、引き裂き、切断などのアーチファクトにより、組織の外観には大きな違いがあり ( Taqi et al., 2018 )、データの位置合わせが複雑になる可能性があります。組織学的画像の堅牢かつ自動位置合わせは困難な場合があるため ( Borovec et al., 2020 )、多くの研究では組織スライドの洗浄や再染色などの非アルゴリズム戦略が採用されています ( Hinton et al., 2019 )。新たな方向性は、UV顕微鏡法( Fereidouni et al., 2017)、刺激ラマン組織学( Hollon et al., 2020 )、または比色イメージング( Balaur et al., 2021 )などの方法を含むステンレススチールイメージングである。

複数のモードでの位置合わせ

これは、さまざまなスケール、時点、または測定からのデータの統合を指します。多くの場合、1 つのモダリティを取得するとサンプルが破損し、同じシステムから複数の測定値を収集できなくなります。たとえば、ほとんどのオミクス測定では組織の分解が必要ですが、これは細胞の外観と対応する遺伝子発現との関係を研究する可能性に必然的に影響します。ここでは、クロスモーダルオートエンコーダーを使用して、任意のモダリティ間の統合と変換を実現できます。クロスモーダルオートエンコーダ ( Dai Yang et al., 2021 ) は、モダリティごとにエンコーダとデコーダのペアのネットワークを構築します。エンコーダは各モダリティを低次元の潜在空間にマッピングし、デコーダはそのマップを元の空間にマッピングします。。識別目的関数は、共通の潜在空間内のさまざまなモダリティを照合するために使用されます。共有潜在空間を使用すると、1 つのモダリティのエンコーダと別のモダリティのデコーダを組み合わせて、1 つのモダリティを他のモダリティと整合させることができます。ダイ・ヤンら。(2021) は、単一細胞クロマチン画像と RNA 配列データ間の変換を実証しました。クロスモーダルオートエンコーダーの実現可能性と有用性は、大規模な臨床関連データセットではテストされていません。ただし、効果的であることが証明されれば、さまざまなソースからのデータを調整して調和させることで課題に対処できる大きな可能性があります。

4.メソッドフレームワーク

記事のメイン画像をわかりやすく説明し、必要に応じて計算式に協力し、損失目的関数損失項目がある場合は、それもわかりやすく説明します

XAIの解釈可能性