MEDICINE & AI

タイトル：Instance-level quantitative saliency in multiple sclerosis lesion segmentation 雑誌名：Sci Rep. 2026 Feb 02; doi: 10.1038/s41598-026-36560-9. Epub 2026 Feb 02. 概　要： 本研究では、多発性硬化症（MS）の白質病変（WML）のセグメンテーションにおいて、インスタンスレベルの説明マップを提案しました。これは、SmoothGradおよびGrad-CAM++手法を拡張し、定量的なインスタンスサリエンシーを提供します。687人のMS患者から4023件のMRIスキャンを収集し、深層学習ネットワーク（3D U-Net、nnU-Net、Swin UNETR）を用いて訓練・テストを行いました。提案したサリエンシーマップは、モデルがWMLをセグメントする際にFLAIR画像を重視していることを示しました。この手法は、モデルの性能向上や内部構造の最適化、ユーザーへの説明に役立つ可能性があります。 方　法： 本研究は687人の多発性硬化症患者を対象に、4023件のFLAIRおよびMPRAGE MRIスキャンを用いたコホート研究です。病変マスクは4人の専門医によって注釈され、3つの深層学習ネットワーク（3D U-Net、nnU-Net、Swin UNETR）が訓練されました。主要評価指標は、テストにおける正規化ダイススコア（それぞれ0.71、0.78、0.80）、真陽性率（79%、78%、85%）、偽発見率（37%、38%、36%）、偽陰性率（20%、22%、14%）です。 結　果： 提案したインスタンスサリエンシーマップは、モデルがWMLのセグメンテーションにおいてFLAIR画像をより重視していることを示しました。生成されたサリエンシーマップのピーク値は、真陽性（TP）、偽陰性（FN）、偽陽性（FP）、真陰性（TN）の予測間で有意に異なる分布を示しました。これにより、定量的なサリエンシーがエラーの特定に利用できる可能性が示唆されました。 結　論： 本研究では、セマンティックセグメンテーションにおける定量的インスタンスレベルの説明を生成する2つのXAI手法を導入しました。提案したXAIマップは、任意のアーキテクチャに適用可能であり、モデルの性能向上や内部構造の最適化、特定の病変インスタンスに対するモデルの決定をユーザーに説明する基盤となる可能性があります。