TTG-U-Net：解釈可能で効率的なマルチモーダル脳腫瘍セグメンテーションフレームワークと臨床的に整合された意思決定支援

科学分野:

• 神経腫瘍学インフォマティクス
• ヘルスケアにおける人工知能（AI）
• 医療画像解析

背景:

• 神経腫瘍学におけるマルチモーダルMRIの正確で自動化された分析は非常に重要です。
• 深層学習モデルの「ブラックボックス」性質は、信頼と検証に影響を与えるAIの臨床統合を妨げます。
• 異種MRIデータを融合するための透明で効率的な方法の開発は依然として課題です。

研究 の 目的:

• ヘルスケアにおける説明可能なAI（XAI）の必要性に対応する新しいセグメンテーションフレームワークであるTTG-U-Netを提案すること。
• セグメンテーションパフォーマンスと臨床的解釈可能性および計算効率を橋渡しすること。
• 神経腫瘍学のための臨床ワークフローへのAIの統合を容易にすること。

主な方法:

• クロスモーダルTransformerを使用して、モダリティ間の依存関係をモデル化し、透明性のためのアテンションマップを生成します。
• 動的な低ランクテンソル分解を使用して、適応的な正則化と計算フットプリントの削減を行います。
• 放射線科の原則に沿った透明な情報ルーティングのためのモダリティ適応ゲーティングメカニズム。

主要な成果:

• TTG-U-Netは、BraTS 2021ベンチマーク（Dice：WT 91.7%、TC 88.8%、ET 84.5%）で最先端のパフォーマンスを達成し、アンサンブルと競合しました。
• 動的な低ランク設計により、パラメータ数が約41%削減され、効率が向上しました。
• 解釈可能性の研究により、モデルの融合戦略が臨床知識と一致していることが確認され、信頼性が向上しました。

結論:

• TTG-U-Netは、神経腫瘍学におけるマルチモーダルMRIセグメンテーションのための堅牢で効率的で信頼性の高いフレームワークを提供します。
• このモデルは、臨床意思決定支援システムへの責任あるAI統合の実行可能なパスを示しています。
• TTG-U-Netにおける説明可能なAIは、臨床的信頼性を高め、神経腫瘍学インフォマティクスにおける検証を容易にします。