臨床整合的な甲状腺超音波マルチタスク評価のための表現レベルの敵対的正則化
arXiv cs.CV / 2026/3/24
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、読影者のばらつきに起因する不整合を低減するために、結節のセグメンテーションマスクとTI-RADSのリスクカテゴリを同時に予測する、臨床整合的なマルチタスクモデルを提案する。
- TI-RADS分類を、コンパクトでTI-RADSに整合した放射線学的特徴（radiomics）ターゲットに基づけつつ、識別性能のためには深層特徴も活用する学習アプローチを導入する。
- 著者らは、注釈者のばらつきの下でのマルチタスク失敗は、共有表現における競合する勾配に起因すると主張し、その競合を明示化するためにRLAR（Representation-Level Adversarial Regularization：表現レベルの敵対的正則化）を提示する。
- RLARは、各タスクの正規化された敵対的方向を幾何学的なプローブとして用い、タスク間の敵対的方向の過度な角度整合を罰することで、潜在空間におけるタスク感度を正則化する。
- 公開TI-RADSデータセットでの実験により、単一タスク学習および標準的なマルチタスク基準手法と比べて、セグメンテーションの品質を維持しつつリスク層別化が改善されることが示されており、コードと事前学習済みモデルの公開が計画されている。
