内因性疾患の兆候を検出するための非対称マルチモーダルマルチラベル学習
カテゴリ：診断支援・画像解析
公開日：2026年8月14日
タイトル：Unpaired multi-modal multi-label learning for detecting endometriosis signs
雑誌名：Artif Intell Med. 2026 Aug 10; 181: 103503. doi: 10.1016/j.artmed.2026.103503.
概 要：
内因性疾患は、重度の痛みや不妊を引き起こす一般的な婦人科疾患であり、診断は現在、時間がかかり高コストでリスクのある腹腔鏡検査に依存しています。このため、経膣超音波（TVUS）や磁気共鳴画像（MRI）を用いた非侵襲的な画像診断の必要性が高まっています。本研究では、TVUSとMRIの異なる診断強度を活かし、内因性疾患の兆候であるダグラス窩（POD）閉塞や腸結節（BN）を検出するための新しい非対称マルチモーダルマルチラベル学習フレームワーク「EndoFusion」を提案します。
方 法：
本研究は、内因性疾患の兆候を検出するための新しいフレームワークを開発しました。主な革新点は、（1）ラベルベースのペアリング、ミックスアップ、クロスモーダル特徴交換による堅牢な単一モダリティ推論、（2）最悪の学生指向戦略を用いた教師の適応的選択による動的相互知識蒸留（DMKD）、（3）ラベル相関モデリングと特化した損失関数を用いて不均衡を処理し精度を向上させることです。
結 果：
実験では、提案手法が他の比較手法を大幅に上回り、単一モダリティ推論で平均AUC 0.827（95% CI: 0.790-0.861）を達成しました。この結果は、MRIとTVUSからの内因性疾患の画像兆候の多モーダルで非侵襲的な評価に向けた初期の概念実証を示しています。
結 論：
EndoFusionは、内因性疾患の兆候を高精度で検出する能力を持ち、異なるモダリティの強みを活かすことで、診断の精度向上に寄与する可能性があります。