学習・評価仕様 (Training & Evaluation)

前処理 (Preprocessing)

項目	方針
リサイズ	アスペクト比を保って 224×224 に収め，余白は黒で埋める（元画像は幅 449〜900・高さ 279〜1025 でばらつく）
正規化	ImageNet の mean / std（事前学習の統計に合わせる）
マスク外領域	黒 (0, 0, 0)（実データで確認済み．TEST_01）．リサイズ時のパディングも黒で統一する

データ拡張 (Augmentation)

色を変える拡張は既定で無効にする． 舌の色そのものが正解ラベルであり，color jitter・彩度変更・ホワイトバランス変更はラベルを壊す．

使う	使わない（既定）
左右反転・微小回転・微小スケール・ランダムクロップ	色相・彩度・明度ジッタ・グレースケール化・強い正規化

※ 撮影条件差の吸収のために色系の拡張を試す場合は，独立した実験として効果を測る．

モデル (Model)

項目	初期設定
アーキテクチャ	ConvNeXt-Tiny（timm・ImageNet 事前学習）
出力	5 クラス
学習方式	全層ファインチューニング（データが少ないと判断した場合は段階的凍結を試す）
最適化	AdamW ＋ cosine annealing（warmup 付き）
早期終了	検証セットの macro F1 を基準にする

まず 1 本を通すことを優先し，比較は timm での差し替えで後から行う．

学習の設定 (Training Settings)

設定 YAML の model・train 節で与える（SPEC_01「設定ファイル」）．既定値は次のとおり．

項目	既定値	備考
`model.name`	`convnext_tiny`	timm のモデル名
`model.pretrained`	`true`	ImageNet 事前学習の重み（初回はサーバがダウンロードする）．合成データの試験では `false`
`train.image_size`	224	アスペクト比を保って長辺を合わせ，余白を黒で埋める（レターボックス）
`train.batch_size`	32	—
`train.max_epochs`	40	—
`train.patience`	8	検証の macro F1 がこのエポック数改善しなければ打ち切る
`train.lr`	1e-4	AdamW
`train.weight_decay`	0.05	AdamW
`train.warmup_epochs`	2	線形 warmup の後 cosine で減衰
`train.inner_val_ratio`	0.15	交差検証の各 fold で，学習側から早期終了用の検証データを取る割合（下記）
`train.num_workers`	4	DataLoader
`train.amp`	`true`	CUDA のときだけ混合精度

データ拡張（学習時のみ）: 左右反転（確率 0.5）・回転 ±10°・拡大縮小 0.9〜1.1 倍・平行移動わずか．はみ出した部分は黒で埋める．色を変える拡張は行わない（上記「データ拡張」）
正規化: ImageNet の mean / std
デバイス: CUDA があれば cuda（CUDA_VISIBLE_DEVICES で割り当てられた GPU），無ければ CPU
高速化のため，レターボックス済みの画像（uint8）をメモリに載せてから学習してよい（1085 枚 × 224² × 3 ≒ 160 MB）

交差検証の実行 (Cross-Validation Run)

1 つのジョブで 5 つの fold を順に学習・評価し，1 つの実験ディレクトリ runs/<実験ID>/ にまとめて書き出す．「ややあり込み」と「ややあり除外」は別のジョブ（別の実験 ID）として回す．

manifest 全体で患者単位・9 グループ層化の 5-fold 分割を作る（data.severities に関わらず同じ分割．上記「程度（ややあり）の扱い」）
各 fold について
1. 学習側（held_out 以外）から train.inner_val_ratio の患者を検証用に取る（患者単位・9 グループ層化．seed は分割と同じ設定から決める）
2. data.severities を学習用と検証用にだけ適用する（held_out には適用しない．下記）
3. 検証の macro F1 が最良のエポックの重みを採用する（早期終了）
4. held_out（全程度を含む）で 1 回だけ評価する
全 fold の held_out の予測をまとめて集計する

評価の出し方 (Evaluation Output)

held_out は data.severities に関わらず全程度の画像で評価し，次の部分集合ごとに指標を出す．これで 2 つの条件のジョブを同じ土俵で比べられる．

部分集合	内容	用途
`all`	held_out の全画像	ややあり込みの全体性能
`common`	held_out のうち `strong` と `normal`	2 条件の比較（両条件とも学習に含まれる部分）
`mild`	held_out のうち `mild`	境界例の扱い

各部分集合で: macro F1・accuracy・クラス別 precision / recall / F1・混同行列（common と all）
mild では加えて予測の内訳を出す: 淡紅と予測された割合・元のクラスと予測された割合・その他のクラスと予測された割合（クラス別と全体）
fold ごとの値と，fold 間の平均 ± 標準偏差を出す．混同行列は全 fold の合計も出す
画像ごとの予測（個票）は predictions.csv に保存し，回収しない

出力 (Run Artifacts)

SPEC_01「実験の出力」の名前に従う．

ファイル	内容	回収
`config.yaml`	解決済み設定・git ハッシュ・seed	する
`metrics.json`	fold ごと・fold 平均の指標（上記の部分集合ごと），各 fold の最良エポック，所要時間（下記）	する
`history.csv`	fold・エポックごとの学習損失・検証損失・検証 macro F1・学習率・そのエポックの所要秒数	する
`confusion_matrix.csv`	全 fold 合計の混同行列（`common` と `all`）	する
`log.txt`	ログ	する
`figures/*.png`	学習曲線・混同行列	する
`split.json`・`predictions.csv`	分割と個票の予測（患者 ID を含む）	しない
`checkpoints/fold<k>.pt`	各 fold の最良の重み	`--with-checkpoints` のときだけ

所要時間の記録（2026-09-28 ユーザー要望）: metrics.json に次を含める．モデル間・条件間で計算コストも比べられるようにするため．

全体の所要秒数（データの読み込みから書き出しまで）と，データの読み込み（レターボックス化）にかかった秒数
fold ごとの学習の所要秒数・held_out の評価の所要秒数・実際に回したエポック数・1 エポックあたりの平均秒数
実行環境: デバイス（GPU 名または CPU）・モデル名・パラメータ数

データ分割 (Data Split)

すべての分割は患者単位で行う． 同一患者の画像が複数の分割に跨ってはならない．

現在のデータセットは 1 患者 1 枚であることを確認済みのため（2026-09-27．TEST_01），画像単位の分割が患者単位の分割と一致する．ただし実装は常に patient_id 単位で分割し，将来同一患者の複数枚が追加されても正しく動くようにする．

局面	方式
日常の試行	患者単位の単一分割（train / val / test）．クラス分布を層化する
結論を出すとき	患者単位の 5-fold 交差検証

分割は patient_id と seed から決定的に生成し，config.yaml に記録する
test セットはモデル選択に使わない（val で選び，test は最後に一度だけ見る）
層化は「クラス × 程度」（<label>_<severity> の 9 グループ）で行う．「ややあり除外」の条件で mild を抜いた後も，各分割のクラス比が保たれるようにするため（下記「程度（ややあり）の扱い」）．最小のグループは 51 枚で，比率 0.15 なら各分割に 8 枚程度入る
- 患者の層化グループは，その患者の label と severity で決める．同じ患者に複数の severity がある場合（将来の複数枚）は，最も強いもの（strong > mild > normal）を使う
分割後にグループごとの件数を記録し，偏りを確認する
実装方式: 1 患者は 1 つの label しか持たない（manifest の検証で保証）ため，患者の一覧を層化グループで分ければ「患者単位」と「層化」が同時に成り立つ
- 単一分割: 層化グループごとに患者を seed で並べ替え，「患者数 × 比率」の四捨五入で test・val の人数を取り，残りを train とする．train に患者が残らないグループがあれば停止する
- K-fold: 患者の一覧に scikit-learn の StratifiedKFold（shuffle あり・seed 指定．層化ラベルは層化グループ）を使う．評価側を held_out と呼ぶ（fold 内でさらに val を取るかは Step 4・5 で決める）．患者数が fold 数に満たないグループがあれば停止する
- どちらも最初に患者 ID を並べ替えるため，manifest の行順に依存しない
分割結果（各分割の患者 ID）は個票に当たるため手元へ回収しない（サーバ上の runs/ にのみ保存する．SPEC_01「回収ホワイトリスト」）

程度（ややあり）の扱い (Severity Handling)

「ややあり」（mild）は，臨床上は淡紅（正常）と判断されることが多い境界例である（2026-09-27 ユーザー確認）．学習に入れるか否かで結果が変わりうるため，入れる場合と入れない場合の両方で実験する．

実験条件 (Conditions)

設定 data.severities（SPEC_01「設定ファイル」）で使う程度を選ぶ．

条件	`data.severities`	使う画像	枚数
ややあり込み	`[strong, mild, normal]`（既定）	すべて	1085
ややあり除外	`[strong, normal]`	「あり」と淡紅（正常）	754

どちらの条件でも label は元のまま（5 クラス）．「ややあり」を淡紅に付け替える扱いは行わない
「ややあり除外」でも 5 クラスすべてが残る（淡紅は normal のみ，他の 4 クラスは strong が残るため）

分割との関係 (Split)

分割は data.severities に関わらず，manifest 全体（1085 枚）で 1 回だけ行う．条件ごとの除外は，分割の後に各分割（train / val / test）から該当する画像を取り除いて適用する
これにより，「ややあり除外」の各分割は「ややあり込み」の各分割の部分集合になり，2 つの条件のモデルを同じ患者の test で比較できる（条件ごとに分割し直すと test の患者が入れ替わり，差が条件によるものか分割によるものか切り分けられない）
同じ seed なら，どちらの条件でも同じ分割結果になる

評価 (Evaluation)

評価	対象	目的
条件間の比較	test のうち `strong` と `normal`（両条件に共通する部分）	同じデータで 2 つの条件のモデルを比べる
ややあり込みモデルの層別評価	test 全体と，`mild` の部分	境界例でどれだけ誤るか（「評価指標」の層別評価）
ややあり除外モデルに mild を推論させる	test のうち `mild`	mild の画像が淡紅と予測される割合と元のクラスと予測される割合を出す．臨床で淡紅と判断されやすいという知見がデータ上でも成り立つかを確かめる

mild の画像に対して淡紅と予測することを「誤り」と断定しない．上表の割合として報告し，解釈は人間が行う

クラス不均衡 (Class Imbalance)

実データのクラス分布は最大 / 最小 = 380 / 104 ≒ 3.7 倍（TEST_01）．中程度の不均衡であり，初回は対策を入れずに素の結果を見る．混同行列でどのクラスが落ちているかを確認してから，クラス重み付き損失等を独立した実験として追加し，効果を切り分けて評価する．

程度ラベル（severity）を含めた 9 クラス分類は採らない（最小クラス 51 枚・不均衡 6.6 倍となり学習が不安定になる．目的は TIASjudge の 5 分類の置き換えであるため）．

評価指標 (Metrics)

指標	役割
macro F1	主指標（クラス不均衡下で少数クラスを無視できないため）
accuracy	参考（クラス分布に引っ張られる）
クラス別 precision / recall	どのクラスが弱いかの特定
混同行列	誤りの方向（隣接クラスとの混同か，飛んだ誤りか）の確認

舌色が順序尺度として扱える（淡白 → 淡紅 → 紅 → 暗赤紅 → 紫のような並び）なら，quadratic weighted kappa を追加する．順序の妥当性は TIASjudge の定義と医学的な解釈を確認してから決める（未確定）
程度別の層別評価: severity ごと（strong / mild）にクラス別 recall を出す．「ややあり」（mild）は境界例であり誤りが集中すると予想されるため，全体の指標だけでは改善の効果が見えない
医師ラベルの評価者間一致率が分かる場合は，モデル性能の上限の目安として併記する

ベースライン (Baseline)

既存 TIASjudge のルールベース診断を同一テストセットで実行し，同じ指標で並べる．実装の取り込み方（移植 / 別リポジトリ参照）は未定とし，ベースライン実装に着手する時点で決める．

再現性 (Reproducibility)

seed を設定ファイルで固定し，config.yaml に git コミットハッシュとともに記録する
完全なビット再現性（torch.use_deterministic_algorithms）は速度とのトレードオフのため求めない．代わりに同一設定で複数 seed を回して振れ幅を確認する
共用サーバのため，使用する GPU は明示的に指定する

未確定事項 (Open Items)

舌色 5 分類を順序尺度として扱えるか（quadratic weighted kappa の採用可否）
入力解像度 224 で足りるか（元画像は平均 675×614 で，約 1/3 に縮小することになる）
黒背景が面積の大半を占めるため，正規化・統計を画像全体で取るか舌領域内のみで取るか
「ややあり」を含めるか否かの結論（両条件の実験結果を見て決める）
ルールベース診断の取り込み方
医師ラベルの評価者間一致率（分かれば性能の上限の目安になる）