小児脳腫瘍の分子診断における説明可能性を高めるためのマルチモーダル対照学習
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：Multimodal contrastive learning for enhanced explainability in pediatric brain tumor molecular diagnosis
雑誌名：Sci Rep. 2025 Mar 30; 15(1): 10943.
概 要：
本研究は、脳腫瘍の診断における畳み込みニューラルネットワーク（CNN）の説明可能性を向上させるために、MRIと放射線報告を統合したマルチモーダル対照学習（CL）アーキテクチャを訓練しました。放射線報告は放射線科医の知識源であり、これをMRIと組み合わせることで、画像と報告の関連性から学習し、CNNの説明可能性を改善します。特に、小児の最も一般的な脳腫瘍である低悪性度神経膠腫の遺伝子マーカー分類を下流タスクとして用い、モデルの注意マップと手動腫瘍セグメンテーションとの間で31.1%のDiceスコアを達成し、分類性能は87.7%に達しました。この結果は、臨床での腫瘍診断の効率を向上させるための信頼性を構築する可能性があります。
方 法：
本研究では、3D脳MRIスキャンと放射線報告を用いたマルチモーダル対照学習アーキテクチャを訓練しました。腫瘍の位置情報を統合し、一般化能力を向上させることを目指しました。主要評価指標は、モデルの注意マップと手動腫瘍セグメンテーションとのDiceスコア（31.1%）および遺伝子マーカー分類の分類性能（87.7%）です。
結 果：
モデルの注意マップと手動腫瘍セグメンテーションとの間で31.1%のDiceスコアを達成し、遺伝子マーカー分類のテスト分類性能は87.7%でした。これにより、従来のベースラインを大きく上回る結果を示しました。
結 論：
本研究のマルチモーダル対照学習アプローチは、脳腫瘍の診断における説明可能性を高め、放射線科医の信頼を構築することで、臨床実践への統合を促進する可能性が示されました。