サブサハラアフリカにおける分層微調整データを用いたトランスファーラーニングによる成人脳腫瘍セグメンテーション

膠腫（gliomas）は、高い致死率を示す脳腫瘍の一種であり、特にサハラ以南アフリカを含む低・中所得国において、診断の面で大きな課題を抱えている。本論文では、リソース制約下で得られる限られた量かつ低品質なMRIデータを前提として、トランスファーラーニングを活用した新しい膠腫セグメンテーション手法を提案する。本手法では、事前学習済みの深層学習モデルであるnnU-NetおよびMedNeXtを用い、BraTS2023-Adult-GliomaおよびBraTS-Africaデータセットを用いた階層的ファインチューニング戦略を採用している。放射組成解析（radiomic analysis）を活用し、訓練用データの階層的分割（stratified training folds）を構築し、大規模脳腫瘍データセット上でモデルを学習した後、サハラ以南アフリカの臨床環境に適応するためのトランスファーラーニングを実施している。さらに、重み付きモデルアンサンブル戦略と適応型後処理（adaptive post-processing）を導入することで、セグメンテーション精度を向上させた。BraTS-Africa 2024タスクにおける未観測検体に対する評価では、強化腫瘍（enhancing tumor）、腫瘍コア（tumor core）、全腫瘍（whole tumor）領域それぞれについて、画素単位の平均Diceスコアが0.870、0.865、0.926と高く、本チャレンジで第1位の成績を達成した。本研究の成果は、統合的な機械学習技術が、リソース制約国の医療画像診断能力と先進国との間の格差を埋める可能性を示している。特に、ターゲットとなる集団の実情と制約に応じて手法をカスタマイズすることにより、孤立した環境における診断能力の向上を目指している。本研究の結果は、地域データの統合や階層的分類の精緻化といったアプローチが、医療格差の是正、実用性の確保、および臨床的インパクトの拡大に不可欠であることを強調している。BraTS-Africa 2024優勝アルゴリズムのDocker化バージョンは、以下のURLから入手可能である：https://hub.docker.com/r/aparida12/brats-ssa-2024