ナミタ・ナラヤナン (Namitha Narayanan) 氏は2026年9月30日(現地時間)、arXiv cs.CVで公開された研究論文で、3D CTスキャンを用いた肺結節の悪性度評価において、形態学的特徴を多重タスク学習に組み込んでも、分類性能の明確な向上には繋がらない可能性を示唆した。この研究は、注釈付けされた形態学的特徴と悪性度リスクを、病変中心の3D CTボリュームから学習することが分類性能を改善するかを検証したものだ。
肺結節の悪性度リスク評価では、スピキュレーションや分葉状陰影といった形態学的特徴が重要視されている。研究では、肺画像データベースコンソーシアム・画像データベース資源イニシアチブ (LIDC-IDRI) データセットが用いられた。このデータセットは、不確定な悪性度評価を除外した後、742名の患者から得られた3,918件の読影者レベルの結節アノテーションで構成される。
データは患者レベルで訓練、検証、テスト用に分割され、テストセットには112名の患者からの628件の読影者アノテーションが含まれた。比較対象として、単一タスクの3D畳み込みニューラルネットワークと、悪性度リスク、スピキュレーション、分葉状陰影を予測する多重タスクモデルが用いられた。
単一タスクモデルは、balanced accuracy 0.548、受信者操作特性曲線下面積 (ROC-AUC) 0.552を達成した。一方、多重タスクモデルはそれぞれ0.539、0.558を達成した。患者レベルのブートストラップ解析では、ROC-AUCの差が0.005（95%信頼区間 (CI): -0.087から0.090）、balanced accuracyの差が-0.009（95% CI: -0.067から0.043）と示された。
研究結果は、補助タスクが強く不均衡であり、予測性能が限定的であったことを指摘している。全体として、形態学的特徴を含めることは悪性度リスク分類を明確には改善しなかった。このことは、多重タスクの肺CT分析において、クラスバランス、ラベルの定式化、および読影者レベルのアノテーション構造の重要性を示唆している。
参考: arXiv cs.CV (アーカイブ) — 2026年10月1日 13:00 (JST)