MEDICINE & AI

タイトル：Capsule-enhanced hierarchical vision transformers for rare disease classification from medical images. 雑誌名：Sci Rep. 2026 Jun 20; doi: 10.1038/s41598-026-58326-z. 概　要： 自動医療画像分析は希少疾患の検出において重要な役割を果たしますが、既存の深層学習モデルはクラスの不均衡、限られたラベル付きデータ、微妙な形態的変化に苦しんでいます。本研究では、希少疾患分類のために階層型Swinトランスフォーマーとカプセルベースの表現を統合したハイブリッドアーキテクチャ「Swin-CapsuleNet」を提案します。このフレームワークは、マルチスケールの文脈特徴抽出のためのSwinトランスフォーマーのバックボーンと、動的ルーティングを通じて部分と全体の空間関係を保持するカプセルベースの分類ヘッドを統合しています。クラスバランスの取れたカプセル損失を導入し、過小表現された疾患カテゴリーに対する感度を向上させます。多施設の希少疾患データセットでの実験により、Swin-CapsuleNetは最先端のCNN、トランスフォーマー、カプセルベースのベースラインを一貫して上回ることが示されました。 方　法： 本研究は、階層型Swinトランスフォーマーとカプセル表現を統合したハイブリッドアーキテクチャ「Swin-CapsuleNet」を用いた研究です。多施設の希少疾患データセットを対象に、クラスバランスの取れたカプセル損失を導入し、モデルの感度を向上させました。主要評価指標は、精度94.1%、F1スコア93.2%、AUC 0.972、希少疾患クラスに対するマクロF1スコア0.899です。 結　果： Swin-CapsuleNetは、精度94.1%、F1スコア93.2%、AUC 0.972を達成し、希少疾患クラスに対してマクロF1スコア0.899を示しました。階層的注意、カプセル表現、提案した損失関数の補完的な寄与がアブレーションスタディで検証されました。 結　論： Swin-CapsuleNetは、希少疾患の分類において高い精度を示し、実世界の臨床意思決定支援システムにおける適用可能性を支持する性能と効率の良いバランスを提供します。