CoRE：連続学習における概念推論拡張（CoRE）による脳病変セグメンテーション

Abstract

MRIにおける高精度な脳病変セグメンテーションは、有効な臨床診断および治療計画に不可欠です。高いアノテーションコストと厳格なデータプライバシー規制のため、汎用モデルでは、従来に獲得した知識を失うことなく、進化する臨床タスクに適応するために継続学習（CL）を用いる必要があります。しかし、既存のCLパラダイムはしばしば容量の限界や冗長なパラメータ増加に悩まされており、たとえ高度な動的手法であっても、主に画像知覚に基づく戦略に依存しているため、脳画像に内在する大規模な病理学的およびマルチモーダルな異質性を扱うのが難しいという課題があります。そこで本研究では、視覚的特徴と構造化された概念を統合することで、概念推論拡張（Concept-Reasoning Expansion: CoRE）フレームワークを提案します。画像トークンを階層的な概念ライブラリに対応付けることで、CoREは臨床推論を模倣し、解釈可能なエキスパート経路制御と、要求（demand）に基づくモデル成長の両方を導きます。この協調的なプロセスにより、モデルの進化は臨床的な事前知識に基づくため、冗長なパラメータ拡張を防ぎつつ、知識の再利用を最大化できます。12の連続した脳病変MRIタスクに対する大規模な評価の結果、CoREは最先端の性能を達成し、将来の効率的な適応のための高い知識の出発点を提供することが示されました。また、その優れたfew-shot転移可能性と臨床的解釈可能性は、非定常な臨床データストリームを扱う上での有効性をさらに裏付けます。コードは近日公開予定です。