医療画像、例えばコンピュータ断層撮影（CT）スキャンを読む際、放射線技師は一般的に画像全体を探査し、病変を見つけ、その特徴を評価し、測定した後、放射線診断報告書で説明します。このプロセスの自動化を目指し、我々は多種類の身体部位における病変の検出、タグ付け、およびセグメンテーションを同時に行うマルチタスク汎用病変解析ネットワーク（MULAN: Multitask Universal Lesion Analysis Network）を提案します。これは特定の身体部位での単一タスク病変解析に関する既存の研究を大幅に拡張しています。MULANは改良されたMask R-CNNフレームワークに基づいており、3つのヘッドブランチと3D特徴量融合戦略を採用しています。DeepLesionデータセット（全身に32,000件の病変が含まれている）において、検出とタグ付けのタスクで最先端の精度を達成しています。また、3つのタスク間の関係性も分析し、スコアリファインメント層を通じてタグ予測が検出精度を向上させることを示しています。