多臓器セグメンテーションにおけるマルチレータ体積評価のためのキャリブレーションと不確実性（CURVAS）チャレンジ結果
カテゴリ：診断支援・画像解析
公開日：2026年2月19日
タイトル：Calibration and Uncertainty for multiRater Volume Assessment in multiorgan Segmentation (CURVAS) challenge results
雑誌名：Comput Biol Med. 2025 Oct; 197(Pt B): 111024.
概 要：
本研究は、医療画像セグメンテーションにおける深層学習（DL）の信頼性と臨床適用性を確保するための課題に取り組む「CURVAS」チャレンジの結果を報告します。複数のアノテーターによる注釈の変動性を活用し、より包括的な真実を確立する重要性を強調しました。7チームが参加し、Dice Similarity Coefficient（DSC）、Expected Calibration Error（ECE）、Continuous Ranked Probability Score（CRPS）などの指標で評価された多様なDLモデルを提出しました。結果は、キャリブレーションの重要性と、多様なデータセットで訓練されたモデルの堅牢性を示しました。
方 法：
本研究は、7チームが参加したチャレンジで、各チームは異なる深層学習モデルを提出しました。評価指標には、DSC、ECE、CRPSが使用され、合意と非合意の真実を取り入れてDLモデルの不確実性処理を評価しました。モデルのキャリブレーションと不確実性の評価が行われました。
結 果：
最良のモデルは高いDSCと適切にキャリブレーションされた不確実性推定を達成しました。キャリブレーションの良さは結果の質と強く相関しており、標準的な解剖構造から逸脱するケースでも、事前学習された知識を活用したモデルがより堅牢であることが示されました。
結 論：
多アノテーターによる真実、徹底したキャリブレーション評価、不確実性を考慮した評価が、信頼性の高いDLベースの医療画像セグメンテーションモデルの開発に不可欠であることが示されました。