MEDICINE & AI

タイトル：Medical Knowledge Intervention Prompt Tuning for Medical Image Classification 雑誌名：IEEE Trans Med Imaging. 2025 Dec; 44(12): 4945-4959. 概　要： 本研究は、医療関連の下流タスクにおける特徴転送と一般化において大きな可能性を示す視覚言語基盤モデル（VLM）のファインチューニングに関するものです。従来のプロンプト調整手法は、異なる医療概念を正確に区別できず、医療画像分類タスクにおける特定の疾患関連特徴を見逃す問題があります。そこで、我々は大規模言語モデル（LLM）をプロンプト調整プロセスに組み込む新しい手法、CILMP（Conditional Intervention of Large Language Models for Prompt Tuning）を提案します。この手法は、LLMから疾患特異的な表現を抽出し、低ランク線形部分空間内で介入することで、疾患特異的なプロンプトを生成します。さらに、各医療画像に応じたインスタンス適応プロンプトを生成する条件付きメカニズムも組み込まれています。多様な医療画像データセットにおける実験により、CILMPが最先端のプロンプト調整手法を一貫して上回ることが示されました。 方　法： 本研究では、医療画像データセットを用いた実験を通じて、CILMPの有効性を検証しました。具体的には、LLMから抽出した疾患特異的な表現を低ランク線形部分空間で介入し、医療画像ごとに適応したプロンプトを生成する手法を採用しました。これにより、プロンプト調整の効率を高め、メモリ使用量を削減しつつ競争力のある性能を維持しました。 結　果： CILMPは、さまざまな医療画像データセットにおいて、最先端のプロンプト調整手法を一貫して上回る性能を示しました。具体的な数値は記載されていませんが、実験結果はCILMPの効果を強く支持しています。 結　論： CILMPは、医療知識をVLMプロンプトに効果的に転送する新しい手法であり、医療画像分類タスクにおける性能向上に寄与することが示されました。この手法は、医療画像処理の分野における新たな可能性を開くものです。