解釈可能なBI-RADS乳房X線画像分類のための距離認識学習を備えたマルチスケールハイブリッドResNet–トランスフォーマー

患者と医師にとっての意義

乳がんスクリーニングは命を救いますが、どのマンモグラムが本当に危険を示すかを判断するのは専門家でも困難です。本研究は、乳房画像をより正確かつ透明性を持って馴染みのあるBI-RADSリスクカテゴリに分類することを目指した新しい計算ツールを提示します。これにより、不必要な生検を減らし、危険ながんをより早く発見し、放射線科医にとって不可解なブラックボックスの回答ではなく、理解しやすい補助的意見を提供する可能性があります。

画像からリスク分類へ

マンモグラムは通常、BI-RADS尺度を用いて報告され、「正常」から「悪性が非常に疑われる」までの区分があります。短期フォローアップや生検の判断が行われる重要なカテゴリはBI-RADS 3、4、5です。読影者間で意見が分かれることがあり、特に乳腺密度が高い女性では、人による見落としや不必要な警告が生じます。著者らは放射線科専門家がBI-RADS 1から5までラベル付けした公開マンモグラフィデータセットを用い、放射線科医を支援するためにAIシステムを訓練しました。さらに一般的な問題にも対処しました。正常や明らかに良性の画像が高リスク画像より遥かに多く、補正しないと学習が偏る可能性がある点です。

新しい“スマート読影者”の画像の見方

提案システムは画像解析の最近の二つの考え方を組み合わせています。まず、ResNet-50という深層畳み込みネットワークを用いて、エッジや質感、微小石灰化を示す小さな明点といった微細な特徴を捉えます。次に、元々言語モデルで知られるようになったトランスフォーマーモジュールを加え、画像の離れた領域をつなげて全体的なパターンや左右対称性を推論します。その前処理として、マンモグラムは慎重に整えられます：リサイズ、コントラスト強調により微妙な病変を際立たせ、まれなカテゴリはオーバーサンプリングでバランスを取って学習時に疑わしい・悪性例を十分に見せるようにしています。

ある誤りがより重大であるとモデルに教える

標準的なコンピュータモデルはすべてのカテゴリ誤りを同等に扱いますが、医療ではそれは当てはまりません。明らかに正常な乳房を明らかに悪性と誤判定することは、BI-RADS 2と3のように隣接するカテゴリを混同するよりもはるかに重大です。これを反映させるために、著者らは「距離認識」学習戦略を導入しました。単に正誤を数えるだけでなく、損失関数が予測値と真のカテゴリ間のBI-RADS順序上の距離も測定します。大きな飛躍は近い誤りよりも重く罰せられ、これによりリスクレベル間に臨床的に妥当なより滑らかな境界を引き、最も危険な誤分類を避けるようシステムを促します。

テストでの性能

二段階で訓練および調整されたこのシステムは、保持したテストセット上で高い性能を示しました。全体で約92％の頻度でBI-RADSカテゴリを正しく割り当て、クラス不均衡や多クラスの難しさを考慮した指標でも非常に高いスコアを達成しました。特に生検につながることが多いBI-RADS 4および5での精度が高かった点が重要です。誤りのほとんどは隣接するカテゴリ間で発生しており、これは放射線科医が直面する現実のグレーゾーンと一致します。追加解析では、予測確率の較正が良好で、表示された確信度が実際の正答率と一致していること、そして類似タスク向けに設計された最近のいくつかの深層学習手法よりも優れていたことが示されました。

モデルが注目した場所を見る

医療では信頼が重要なため、著者らは単なる数値以上に踏み込み、システムの判断を駆動した画像領域を調べました。影響の大きい領域をハイライトするGrad-CAMを用いると、モデルは一貫して病変、密な組織パターン、無関係な背景ではなく微小な明点の集まりに注目していることが分かりました。内部特徴空間の可視化はBI-RADSレベルごとに明確なグルーピングを示し、特に疑わしい・悪性の検査を正常・良性のものと分けていました。意思決定曲線解析は、臨床家と併用した場合に不必要な介入を減らしながらがん検出を維持または向上させる可能性を示唆しましたが、これは実臨床での検証が残されています。

今後に向けての意味

この研究は、畳み込みネットワークとトランスフォーマーの考え方を組み合わせ、いくつかの誤りが他より重大であることを明示的にモデルに教えることで、正確で臨床的思考により整合したAIアシスタントを作り得ることを示しています。研究は単一ソースで規模が限られるデータセットと外部検証の欠如という限界がありますが、放射線科医の性能に匹敵するだけでなく、注目点と確信度を説明できるAIシステムへの道を示しています。より大きく多様な集団での追加検証が進めば、このようなツールは乳がんスクリーニングにおける信頼できるパートナーとなり、適切な女性が適切なタイミングで適切なフォローを受けられることに寄与する可能性があります。

引用: Singh, M., Mohan, A., Tripathi, U. et al. A multi-scale hybrid ResNet–transformer with distance-aware learning for interpretable BI-RADS mammographic classification. Sci Rep 16, 10033 (2026). https://doi.org/10.1038/s41598-026-40906-8

キーワード: 乳がんスクリーニング, マンモグラフィAI, BI-RADS分類, 放射線科における深層学習, 説明可能な医用画像