ある医療画像診断支援企業が、Azure AI Custom Vision で訓練した眼底写真の異常分類モデルを評価したところ、Precision（適合率）は高いが Recall（再現率）が低いという結果が得られた。医療診断支援という用途の性質上、異常の見逃しを最小化することを最優先にしたい。最も適切な対処法はどれか。
- A. Precision を重視してモデルのしきい値を高く設定し、確実に異常と判定できる画像のみ検出する
- B. 訓練データの正常画像と異常画像の比率を50:50に固定して再訓練する
- C. モデルの予測確率しきい値を下げることで Recall を向上させ、異常の見逃しを減らす
- D. Azure Machine Learning に移行してモデルを再構築すれば Recall は自動的に向上する
解答と解説を見る
正解: C
Recall（再現率）は実際の異常のうちモデルが正しく異常と予測した割合であり、Recallが低いことは異常の見逃しが多いことを意味する。医療診断では偽陰性（異常を正常と判定）のリスクが重大であるため、Recallを優先すべきである。予測確率しきい値を下げると、モデルはより低い確信度でも異常と判定するようになりRecallが向上する（ただしPrecisionは低下する）。このトレードオフはROC曲線やPR曲線で評価できる。しきい値を高く設定するとPrecisionは上がるがRecallはさらに低下し、見逃しが増えて医療上の要件に逆行する。データ比率の50:50への固定は必ずしもRecall向上に直結しない。Azure MLへの移行だけではRecallが自動的に向上することはなく、根本的な問題（しきい値・データ・モデル設計）の解決が必要。