MEDICINE & AI

タイトル：Knowledge distillation and teacher-student learning in medical imaging: Comprehensive overview, pivotal role, and future directions. 雑誌名：Med Image Anal. 2026 Jan; 107(Pt A): 103819. 概　要： 知識蒸留（KD）は、複雑なモデルから簡略化されたモデルへ知識を移転する技術であり、自然言語処理やコンピュータビジョンで広く使用され、優れた成果を上げています。最近、医療画像分析におけるKDの研究が急速に進展しています。本論文では、医療画像分野におけるKDの発展と応用を包括的にレビューし、基本原理、知識の定義、教師-生徒ネットワークの枠組みを紹介します。さらに、医療画像分類、セグメンテーション、検出、再構成、登録、放射線レポート生成、プライバシー保護などの応用シナリオにおける研究の進展を示し、KDの役割に基づいています。KD技術の主な役割を8つにまとめ、各応用シナリオにおけるパフォーマンスを分析します。最後に、この分野の課題と潜在的な解決策を提案し、今後の研究の方向性を示します。 方　法： 本研究は、医療画像分析における知識蒸留の発展と応用をレビューする文献調査です。KDの基本原理や教師-生徒ネットワークの枠組みを説明し、医療画像の分類、セグメンテーション、検出などの応用シナリオにおけるKDの役割を分析しています。具体的な数値や対象者数は記載されていません。 結　果： KD技術は、モデル圧縮、半教師あり学習、弱教師あり学習、クラスバランシングなど、医療画像分析において8つの主要な役割を果たすことが示されました。各応用シナリオにおけるKDのパフォーマンスが分析され、医療画像分野におけるKDの急速な発展が確認されました。 結　論： 医療画像分析におけるKDは急速に発展しており、今後の研究の方向性として5つの潜在的な開発方向が提案されています。この分野におけるKDの役割と課題を明確にし、今後の研究の重要性を強調しています。