X線画像に基づく弱教師あり骨折検出モデルFAD-MIL
カテゴリ：災害・救急医療
公開日：2026年3月18日
タイトル：FAD-MIL: a weakly supervised fracture detection model based on X-ray images.
DOI：10.1038/s41598-026-44675-2
概 要：
本研究は、緊急医療および整形外科サービスにおける骨折の診断を支援するための弱教師あり学習モデルFAD-MIL（Fracture-Aware Dual-stream Multiple-Instance Learning）を提案します。従来の放射線画像の解釈は一貫性に欠け、特にリソースが限られた環境や夜間において問題が生じます。FAD-MILは、グローバル・ローカルのデュアルストリームアーキテクチャ、骨折に特化したゲーティングメカニズム、情報量の多い領域に焦点を当てるTop-Kインスタンス選択の3つの設計選択肢を通じて、これらの課題に対処します。FractAtlasデータセット（4,068枚のX線画像）において、FAD-MILはAUC 0.833、平均適合率0.619、F1スコア0.541を達成し、他の手法と比較して優れた性能を示しました。
方 法：
本研究は、FractAtlasデータセットを用いたコホート研究で、4,068枚のX線画像を対象としています。FAD-MILモデルは、グローバル・ローカルデュアルストリームアーキテクチャを採用し、骨折に特化したゲーティングメカニズムとTop-Kインスタンス選択を組み合わせています。主要評価指標はAUC、平均適合率、F1スコアです。
結 果：
FAD-MILは、AUC 0.833、平均適合率0.619、F1スコア0.541を達成し、Mean-Pool MILやTile-Vote MILを上回る性能を示しました。また、ABMILと同等の性能を持ちながら、インスタンスレベルの帰属がより解釈可能です。転移可能性は、単一施設の陽性コホート（橈骨遠位部975件、足首350件）で評価されました。
結 論：
FAD-MILモデルは、骨折の検出において高い性能を示し、放射線医の診断を支援する可能性があります。今後は、非骨折対照群との比較を通じて特異度や偽陽性率の評価を行う必要があります。