MEDICINE & AI

タイトル：CausalMixNet: A mixed-attention framework for causal intervention in robust medical image diagnosis. 雑誌名：Med Image Anal. 2025 Jul; 103: 103581. 概　要： 本研究では、医療画像に内在する混乱因子が深層学習モデルの因果探索能力に与える影響を軽減するための新しい手法「CausalMixNet」を提案します。この手法は、入力画像とラベル間の因果関係を探るために、クエリ混合の内部注意とキー・バリュー混合の外部注意を利用します。CausalMixNetは、非局所推論モジュール（NLRM）とキー・バリュー混合の外部注意（KVMIA）を統合し、前方調整戦略を実施します。また、パッチマスクランキングモジュール（PMRM）とクエリ混合の内部注意（QMIA）を組み込むことで、媒介者学習を強化し、因果介入を促進します。この手法は、複数のデータセットにおいて、既存の方法を上回る精度とF1スコアを達成し、最も近い競合相手に対して平均3%の改善を示しました。 方　法： CausalMixNetは、医療画像における因果関係を探るために、クエリ混合の内部注意とキー・バリュー混合の外部注意を使用する新しいフレームワークです。非局所推論モジュールとキー・バリュー混合の外部注意を統合し、前方調整戦略を実施します。さらに、パッチマスクランキングモジュールとクエリ混合の内部注意を用いて媒介者学習を強化します。 結　果： CausalMixNetは、複数のデータセットにおいて、既存の手法と比較して優れた精度とF1スコアを達成し、平均3%の改善を示しました。また、ノイズ、性別バイアス、属性バイアスに対してもロバストであり、観察不可能な混乱因子を扱う能力に優れています。 結　論： CausalMixNetは、医療画像診断における因果介入を効果的に実施できるフレームワークであり、困難な条件下でも安定した性能を維持することが示されました。この手法は、医療画像診断の精度向上に寄与する可能性があります。