光干渉断層検査のパラダイムを断面から体積へ：網膜ファンデーションモデルの転換

目の健康にとってなぜ重要か

眼のスキャンは、本人が自覚する前に視力を脅かす疾患を発見する最前線の手段になりつつあります。本研究は、光干渉断層撮影（OCT）という最も強力な眼科スキャンの一つを、単一の画像としてではなく3次元の映画のような体積として扱うことで、人工知能（AI）がそれを読み解く新しい方法を検討します。その転換によって、失明の主要原因をより正確に認識できるようになり、より早期かつ信頼性の高いスクリーニングを世界中の診療現場にもたらす可能性があります。

平面的スナップショットから3Dビューへ

OCTは、多数の薄い断面スライスから構成される網膜の三次元ブロックを生成します。日常の臨床では、眼科医はこの体積全体をスクロールして、加齢黄斑変性（AMD）の小さな沈着物や緑内障における微妙な構造変化などの病変を探します。しかし、既存の多くの網膜用「ファンデーションモデル」はこの豊かな3D構造を無視しています。通常は中央の単一スライスだけを参照し、そこに最も重要な情報が含まれると仮定します。著者らは、この近道が臨床医が実際に使っている多くの情報を捨ててしまい、AIシステムが実臨床の診断ニーズに追いつかない一因である可能性があると主張します。

ビデオ解析の考え方を借用する

研究者らはOCTを孤立した画像として扱う代わりに、網膜の深さに沿って進む一連のスライス、すなわち短いビデオのように扱います。彼らは、もともと日常の自然映像で訓練された先端的なビデオファンデーションモデルV-JEPAを採用し、これをOCTに適応させました。他の現代的AIシステムと同様に、V-JEPAはまず自己教師あり学習で訓練され、ラベルを必要とせずに欠落情報を予測・補完することを学びます。これにより、後で再利用できる強力な一般的「視覚語彙」が生成されます。研究者らはその後、より小規模なラベル付きOCTデータセットでV-JEPAをファインチューニングし、健常眼と病変を区別できるようにしました。

国や疾患をまたいだ検証

この3Dアプローチが本当に有用かを検証するため、チームはV-JEPAを網膜画像専用に訓練された2つを含む、強力な画像ベースのファンデーションモデル3種と比較しました。いずれのモデルも類似した基礎的ニューラルネットワークアーキテクチャを用いているため、性能差は主にデータの利用方法に起因し、モデルの大きさや複雑さの違いではありません。モデルには、米国・中国・イスラエル・イランで収集された5つの独立したOCTデータセットを用いて、緑内障性視神経症（緑内障の一形態）とAMDという二つの主要眼疾患の検出を求めました。これらのデータは、異なるスキャナ、集団、病変パターンを含んでいます。

全3D情報から得られる明確な答え

これらのデータセットを通じて、ビデオベースのV-JEPAは画像ベースモデルのいずれかに匹敵するか上回る結果を示し、平均ROC曲線下面積（AUC）は0.94で、単一スライスの最良モデルの0.90よりも統計的に有意な改善を達成しました。利点は、病変と非病変の判別が困難な難しいデータで特に大きく現れました。モデルの注目領域（アテンションマップ）解析からは、V-JEPAが中央スライスだけでなく複数のスライスに散在する関連構造に焦点を当てていることが示されました。誤分類の解析では、単一スライスモデルが中央のスライスでは病変が欠けているか微妙であるが体積の他の場所に存在する症例を見逃すことが多いことが明らかになりました。空間カバレッジを効果的に広げ、スライス間の関係を学習することで、3Dモデルはこれらのパターンをよりよく捉えることができました。

性能と実用性の両立

著者らはV-JEPAを、スクラッチから訓練された従来の3次元畳み込みネットワークや、多数のスライスを画像モデルで個別に処理して結果を統合する「2.5D」手法と比較しました。V-JEPAは一般にこれらの代替手法を上回り、2.5D戦略よりも計算量が少なくて済みました。重要なのは、ラベル付きデータがわずかしかない場合でもその効果が維持され、訓練データが増えると性能がさらに向上する一方で、画像ベースモデルは頭打ちになりがちだという点です。ボリューム解析は単一スライスの読み取りより遅くなりますが、現代のハードウェア上では1スキャンあたり数百分の一秒程度の追加処理時間にとどまりました。

将来の眼科医療への示唆

専門外の読者にとって要点は明快です。臨床医が見るのと同じようにAIに網膜を3Dで見せることで、一般的な失明疾患の自動検出がより正確になります。本研究は、将来の眼科イメージング用ファンデーションモデルは個々のスナップショットだけでなく、最初から完全なOCTボリュームを扱うよう設計されるべきだと示唆します。より広範なデータ共有や最終的には他の臨床情報との統合と組み合わせれば、こうしたモデルは多くの診療所や患者に対して、緑内障や黄斑変性の一貫した高品質なスクリーニングをもたらす助けになるでしょう。

引用: Judkiewicz, R., Berkowitz, E., Meisel, M. et al. Shifting the retinal foundation models paradigm from slices to volumes for optical coherence tomography. npj Digit. Med. 9, 314 (2026). https://doi.org/10.1038/s41746-026-02496-7

キーワード: 光干渉断層撮影, 網膜画像のAI, 加齢黄斑変性, 緑内障検出, ビデオファンデーションモデル