小規模コホートのMRI画像を用いた解釈可能な前立腺がん検出

要約: 前立腺がんは男性の死亡原因の主要因の一つですが、T2強調前立腺MRIの解釈は微妙で異質な病変があるため依然として困難です。私たちは、162枚のT2強調画像（癌102、正常60）という小規模データセットを用いた自動がん検出の解釈可能なフレームワークを開発し、データ不足には転移学習とデータ拡張で対処しました。Vision Transformers（ViT、Swin）、CNN（ResNet18）、および従来法（ロジスティック回帰、SVM、HOG+SVM）を網羅的に比較しました。転移学習済みのResNet18は、わずか1100万パラメータで最高の性能を達成しました（正確度90.9%、感度95.2%、AUC 0.905）。一方、Vision Transformersははるかに高い複雑さにもかかわらず、性能は低めでした。特筆すべきは、HOG+SVMが類似の精度を達成したこと（AUC 0.917）、小規模データセットにおける手作り特徴量の有効性を示しています。二パラメトリックMRI（T2+DWI）と大規模コホートに依存する最先端のアプローチとは異なり、我々の手法はT2強調画像のみを用いて競争力のある性能を達成し、取得の複雑さと計算コストを削減します。22例の読影者研究では、5名の放射線科医の平均感度は67.5%（Fleiss Kappa = 0.524）であり、AIモデルの95.2%と比較され、AI支援スクリーニングが見逃しがちな癌を減らし一貫性を改善する可能性を示唆します。コードとデータは公開されています。