医師としての類推推論：消化管内視鏡診断の基盤モデル

要旨: 消化管疾患は、増大する世界的な健康負担を課しており、内視鏡は早期診断の主要な手段です。しかし、日常的な内視鏡画像の解釈には、見落とし病変と限られた効率という課題が依然としてあります。AI支援による診断は有望であることが示されているものの、既存モデルは、限られた医療データ、ドメインシフト、異種のアノテーションといった要因により、一般化性、適応性、頑健性、スケーラビリティを欠いていることが多いです。これらの課題に対処するため、私たちは、類推推論に基づく消化管内視鏡画像の基盤モデルであるRATNetを開発します。RATNetは、5つの消化管内視鏡データセットにまたがる異種の専門家アノテーションから、循環的な事前学習戦略を通じて知識を獲得し、転移します。そのアーキテクチャは、エンコーダ、関連知識獲得・転移（RAT）モジュール、プロジェクタ、多タスクヘッドからなり、ファインチューニング、線形プロービング、ゼロショット転移をサポートします。評価の結果、RATNetは、6つのシナリオにおいて、GastroNetおよびGastroVisionを含む既存の基盤モデルを上回ります。すなわち、一般的な消化管疾患の診断、稀少疾患に対する少数ショット学習、新しい医療施設へのゼロショット転移、長い裾を持つ疾患分布下での頑健性、新規疾患への適応、そして連合学習によるプライバシーを保護したデプロイメントです。RATNetの優位性は、画像から得られた事後知識を学習済みの事前知識ベースに照合し、相対的な知識を転移して診断を導く、類推推論メカニズムにあります。これにより、一般化性能が向上し、バイアスに対する耐性が高まります。RATNetはオープンで費用対効果が高く、手作業によるラベルの統一なしに異種アノテーションを自動的に統合することをサポートし、データ取得コストを削減します。そのため、特にリソースが限られた環境において、知能的な消化管診断のための実用的な基盤となります。