Transformerと深層学習、マルチスケール特徴インターフェースを用いた大腸病変診断

• 大腸内視鏡検査の腺腫検出率(ADR)向上のため、AI搭載コンピュータ支援検出(CADe)システム9種類と従来検査(CC)を比較した系統的レビュー・ベイズネットワークメタアナリシスが実施された(21件のRCT、19,006人が対象)。
• ADR-mITT(修正intention-to-treat解析)において、DEEP2(相対リスク1.37)、Eagle-Eye(相対リスク1.19)、ENDO-AID(相対リスク1.27)がCCより有意に高い結果となった。
• ADR-ITT解析ではAQCSがCCより有意に高く、ADR以外の指標でもENDO-AIDが腺腫数/大腸内視鏡検査(APC)と微小腺腫検出率(DADR)でCCを上回った。

子宮頸がんの早期発見と予防に不可欠な子宮頸部細胞診画像の高精度分類のため、新しい深層学習アーキテクチャが提案された。このアプローチは、細胞病理画像に特化したデータ拡張パイプライン、マルチスケール細胞特徴を捉える形態アテンションモジュール(MAM)、核周辺空間情報をエンコードする空間チャネルミキサー(SCM)を統合している。SIPaKMeDデータセット(5クラス)で99.06%、Mendeley LBCデータセットで98.55%という最先端の精度を達成し、従来のCNNアーキテクチャと比較してエラー率を最大82.5%、最近のVision Transformerアプローチと比較して61.8%削減し…

• 食道扁平上皮癌(ESCC)の内視鏡診断において、深層学習ベースのAIを白色光・狭帯域光・青色光・拡大内視鏡・ルゴール染色・ビデオ内視鏡・細胞内視鏡と組み合わせ、病変検出、境界線描出、浸潤深度推定、微小血管パターン分類で臨床的に意味のある可能性が示されている。
• 本稿は2019年から2026年に発表された代表的研究をレビューし、AIシステムが豊富な画像データセットで高い感度を達成し、一部のビデオベース研究が実用化の可能性を支持していると報告。
• 多くの研究が後向きかつ単一施設または高品質な静止画像データセットに依存しており、信頼区間・キャリブレーション・不確実性定量化・サブグループ分析・失敗モード報告・レイテンシベンチマークの一貫性の欠如、デバイス/術者/患者スペクトル/ライブビデオワークフローを横断する外部検証の限定という制限が残る。

• CNN・Vision Transformer(ViT)・手作りのラディオミクス表現を統合したマルチモーダルフレームワーク「NeuroTrustNet」と適応的注意スタッキング(AAS)を提案し、クロスデータセットのばらつき下での堅牢性を向上させた
• 外部テストセットで最高精度96%の高キャパシティアンサンブルに対し、NeuroTrustNetは94%を維持しつつ融合最適化ステージの計算コストを約80%削減した
• モデル出力から派生した構造化テキスト要約による事後解釈性コンポーネントを組み込み、予測性能に影響を与えずに人間が読める洞察を可能にした

• 生物学的に構造化された階層型ViT-CNNフレームワークを提案し、トマト葉疾患分類でPlantVillageデータセットにおいて97.8%の精度を達成した。
• ノイズ下でも97.4%の精度を維持し、堅牢性を確認した。