大腸がん診断のためのクロスモーダルイメージングを用いた解釈可能な動的融合ネットワーク：IDF-Net

科学分野:

• 医療における人工知能
• 腫瘍学
• 医用画像解析

背景:

• 大腸がん（CRC）は依然として世界的な主要な健康問題であり、高度な診断ツールが必要とされています。
• 現在のAI診断モデルは、解釈可能性が欠如していることが多く、臨床統合の妨げとなっています。
• 早期かつ正確で、臨床的に理解可能なCRC診断ソリューションに対する重要なニーズがあります。

研究 の 目的:

• 多峰性CRC診断のための解釈可能な動的融合フレームワーク（IDF-Net）を開発すること。
• 内視鏡、コンピュータ断層撮影（CT）、および病理組織データを統合して、診断精度を向上させること。
• がん診断におけるAIモデルの臨床的解釈可能性を向上させること。

主な方法:

• モダリティ固有のエンコーダー、適応ゲート、およびクロスモーダルアテンションを使用したフレームワーク、IDF-Netを提案しました。
• 堅牢なパフォーマンス評価のために、層別5分割交差検証を実施しました。
• 解釈可能性分析のために、空間ヒートマップおよびSHapley Additive exPlanationsを採用しました。

主要な成果:

• IDF-Netは、最先端の精度（0.920）とAUC（0.991）を達成し、ベースラインモデルを上回りました。
• 解釈可能性分析により、モデルの予測と専門家によるアノテーションとの間に強い一致が見られました。
• アブレーションスタディにより、動的ルーティングおよびクロスアテンション融合コンポーネントの効果が確認されました。

結論:

• IDF-Netは、CRC診断のための新規で解釈可能、かつ動的に融合された多峰性アプローチを提供します。
• このフレームワークは、優れた精度と臨床応用への大きな可能性を示しています。
• IDF-Netの適応設計は、CTデータが欠落している場合でも堅牢性を確保し、柔軟な臨床ワークフローをサポートします。