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

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．

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．

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（5 分類）で行う．severity は層化の条件に含めない（分割が細分化されすぎるため）が，分割後に severity の偏りを確認する
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，患者の一覧をクラスで層化して分ければ「患者単位」と「クラス層化」が同時に成り立つ
- 単一分割: クラスごとに患者を 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 に患者が残らないクラスがあれば停止する
- K-fold: 患者の一覧に scikit-learn の StratifiedKFold（shuffle あり・seed 指定）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 数に満たないクラスがあれば停止する
- 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」）

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）．

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

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．

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