MEDICINE & AI

タイトル：An orchestration learning framework for ultrasound imaging: Prompt-Guided Hyper-Perception and Attention-Matching Downstream Synchronization 雑誌名：Med Image Anal. 2025 Aug; 104: 103639. 概　要： 本研究は、超音波画像の分類とセグメンテーションのためのオーケストレーション学習フレームワーク「PerceptGuide」を提案します。超音波画像は、手頃な価格、ポータブル、安全性、リアルタイム性、非侵襲性から臨床診断において重要ですが、手動での解釈や注釈付けは時間がかかり、医師間でのばらつきが生じます。従来のAIソリューションはスケーラビリティに欠け、ファンデーションモデルは医療データセットにおいてノイズや変動に対処できません。提案するフレームワークは、9つの臓器と16のデータセットからなる大規模な公開超音波データセット（M²-US）を用いて、タスク特有の適応性を持たせるために4つのプロンプトを活用します。実験結果は、提案手法が専門モデルや既存の一般AIソリューションを上回ることを示しています。 方　法： 本研究は、超音波画像の分類とセグメンテーションを目的としたオーケストレーション学習フレームワークを用いたもので、9つの臓器からの画像を含む大規模なデータセット（M²-US）を構築しました。フレームワークは、プロンプト（オブジェクト、タスク、入力、位置）を用いてモデルをガイドし、ダウンストリーム同期トレーニングステージを導入して新しいデータに対する適応性を高めます。主要評価指標は、セグメンテーション精度が82.26%から86.45%に、分類精度が71.30%から79.08%に向上しました。 結　果： 提案したフレームワークは、専門モデルと比較してセグメンテーション精度を82.26%から86.45%に、分類精度を71.30%から79.08%に改善し、モデルパラメータを大幅に削減しました。実験結果は、マルチタスクおよびマルチ臓器の超音波画像処理における堅牢性と多様性を示しています。 結　論： PerceptGuideフレームワークは、超音波画像の処理において高い精度と適応性を示し、リアルワールドの医療アプリケーションにおける有用性が期待されます。