SPCXR：胸部X線を用いた自己教師付き事前学習によるドメイン特化型基盤モデルの構築

胸部X線（CXR）は、肺疾患の診断および予後評価に広く用いられている画像診断モダリティである。画像解析タスクは多様であり、病変検出や肺領域のセグメンテーションなどが挙げられる。これまでに、特定のタスク向けに機械学習アルゴリズムが多数開発されてきた。近年の顕著な例として、CXRデータを用いた新型コロナウイルス感染症（COVID-19）の検出が挙げられる。しかし、従来の教師あり学習に基づく診断ツール設計は、良好な臨床結果を得るためには高品質なトレーニングデータのラベル付けを必要とするという課題を抱えている。本研究では、こうした課題を克服する代替的なアプローチとして、グループマスクを用いた自己教師学習フレームワークにより、CXR画像から汎用的な表現を学習する新たな自己教師学習パラダイムを提案する。この事前学習モデルは、COVID-19や肺炎の検出、一般的な健康スクリーニングといったドメイン固有のタスクに対して微調整（fine-tuning）が可能である。また、同じ事前学習モデルが肺セグメンテーションタスクにも適用可能であることを示した。提案するパラダイムは、複数の下流タスクにおいて堅牢な性能を発揮し、事前学習の有効性を裏付けている。さらに、テスト時に顕著なデータドリフトが生じるデータセットにおいても、事前学習モデルが優れた汎化性能を示すことで、より汎用的な表現が学習されていることが明らかになった。本手法の有効性は、特異な小規模小児用データセットにおけるCOVID-19検出によっても裏付けられた。教師ありのTransformerベースの手法と比較して、精度向上（約25%）が顕著であり、本研究で提案するフレームワークおよび事前学習戦略の強度と信頼性がさらに確立された。