RAD-DINO自己教師あり基盤モデルを用いた肺癌分類におけるネイティブ解像度2D埋め込みの活用：実現可能性研究
Md Enamul Hoq1, Lawrence Tarbox2, Donald Johann2
1Department of Biomedical Informatics, University of Arkansas for Medical Sciences, AR, Little Rock, USA. mhoq@uams.edu.
Journal of imaging informatics in medicine
|December 19, 2025
まとめ
本研究では、低線量CTスキャンを用いた実用的なAIによる肺がんスクリーニングを紹介します。このAIは患者のリスクを効果的に推定し、潜在的な肺がんを特定する精度と信頼性を向上させます。
科学分野:
- 医療画像における人工知能
- 放射線科および医療画像
- 計算病理学
背景:
- 低線量CT（LDCT）スクリーニングは肺がん死亡率を大幅に減少させますが、偽陽性率の高さによって妨げられています。
- 臨床現場で一般的なスライスベースのレビュープロセスに適合する、実用的な人工知能（AI）ツールの必要性が存在します。
研究 の 目的:
- 凍結されたRAD-DINO埋め込みを使用した、患者レベルの肺がんリスク推定のためのラベル効率的な2D AIパイプラインを評価すること。
- 現実的なスクリーニング有病率条件下でのAIパイプラインのパフォーマンスを評価し、その解釈可能性を調査すること。
主な方法:
- 軸方向CTスライスからの凍結RAD-DINO埋め込みとリスク推定のための多層パーセプトロン（MLP）を利用した2Dパイプライン。
- 患者レベルのリスク推定は、NLSTデータセットで平均集計とアイソトニックキャリブレーションを使用して、固定された患者レベルの分割で行われました。
- パフォーマンスは、繰り返し行われた不均衡なテスト描画を使用してスクリーニング有病率（約6％）で評価され、二次解析はほぼバランスの取れたコホートと検索タスクで行われました。
主要な成果:
- スクリーニング有病率において、RAD-DINO + MLPパイプラインは、キャリブレーション後にPR-AUC 0.705およびROC-AUC 0.817を達成し、確率信頼性の向上を示しました。
- バランスの取れたコホートでの二次解析では、精度0.966、適合率0.974、再現率0.973、F1 0.973、ROC-AUC 0.912の高いパフォーマンス指標が得られました。
- ファインチューニングされた埋め込みを使用した検索タスクでは、Precision@5が0.853であり、解釈可能性分析では、より高いスライススコアを持つ癌症例が強調されました。
結論:
- 凍結された2D基盤埋め込みは、LDCTスクリーニングAIワークフローにとって計算上実用的で透明性の高い出発点を提供します。
- 評価されたAIパイプラインは、リスク推定における有効性と、肺がんスクリーニングにおける画像検索の可能性を示しています。
- 今後の作業では、外部検証とCTネイティブ自己教師あり学習に焦点を当て、AIの適用性をさらに向上させるべきです。
