PR3DICTR: 医療用 3D 画像に基づく検出および予後予測のためのモジュラー型 AI フレームワーク

1. 背景と課題 (Problem)

近年、3 次元（3D）の多モーダル医療画像（CT, PET, MRI など）を用いた診断や治療計画、予後予測において、深層学習（Deep Learning: DL）の重要性が増しています。しかし、医療画像を用いた DL モデルの開発には以下の課題が存在します。

• 技術的ハードルとリソース: 高度な計算リソースと専門的な技術知識が必要であり、開発の負担が大きい。
• ワークフローの非標準化: 研究グループ内、あるいはグループ間でも、データ前処理、モデル構築、評価の手法が統一されておらず、再現性や比較が困難である。
• 既存フレームワークの限界:
  • PyTorch や MONAI などの汎用フレームワークは柔軟性が高いが、医療画像特有のタスクに特化しておらず、実装に多くのコードが必要。
  • ノーコードツールは簡便だが、特定の医療タスクやカスタマイズ性において柔軟性が不足している。
• 解決の必要性: 3D 医療画像データを用いた分類モデル開発を、シンプルかつ標準化され、モジュラーな方法で可能にするツールの必要性。

2. 提案手法：PR3DICTR (Methodology)

PR3DICTR (Platform for Research in 3D Image Classification and sTandardised tRaining) は、コミュニティ標準である PyTorch と MONAI を基盤として構築された、オープンアクセスのモジュラー型フレームワークです。

2.1 全体ワークフロー

フレームワークは以下の 6 つの主要ステップで構成されます（図 2 参照）：

1. データ前処理 (Data Preprocessing): 臨床データ（CSV）と画像データの準備。
2. 画像標準化 (Image Standardisation): 画像のクリッピング、正規化、サイズ統一。
3. データ整理 (Data Organisation): 患者 ID に基づく固定のディレクトリ構造への保存。
4. 設定ファイルの構築 (Configuration Setup): 実験設定を YAML/Dict 形式で定義。
5. モデルトレーニング (Model Training): K 分割交差検証、ハイパーパラメータ最適化。
6. 評価 (Evaluation): テストセットでの評価、可視化、結果の保存。

2.2 主要な技術的特徴

• 設定ファイル駆動 (Config-driven):
  • 実験の開始には、データ準備と設定ファイル（config）の作成のみが必要。
  • コード実行は「設定の読み込み」と「実験実行」の2 行で完結する。
  • Base Config をテンプレートとし、プロジェクト固有のパラメータのみをオーバーライドする仕組みにより、開発の簡素化と標準化を実現。
• モジュラー設計 (Modularity):
  • データ読み込み、モデルアーキテクチャ、トレーニング、評価などの各コンポーネントが独立しており、自由に差し替えや拡張が可能。
  • ユーザーは特定のモジュール（例：カスタム特徴抽出器）のみをカスタマイズでき、他の部分は標準機能を利用できる。
• モデルアーキテクチャ:
  • 画像エンコーダ: ResNet, DenseNet, EfficientNetV2, ConvNeXt, ViT (Vision Transformer) など多様な CNN/Transformer ベースのバックボーンをサポート。
  • 出力モジュール: 抽出された画像特徴と臨床データ（表形式データ）を融合。線形層（Fully Connected）や ViT を経由し、マルチラベル分類やイベントベース（生存時間）予測に対応。
  • 純粋な臨床データモデル: 画像入力がない場合、MLP（多層パーセプトロン）として動作する。
• データ処理と拡張:
  • 前処理: 値のクリッピング、正規化、カテゴリー値のマッピング、クリッピング。
  • データ拡張: ランダムなフリップ、回転、アフィン変換、ノイズ付加、MixUp アルゴリズムなど。
  • データローダー: MONAI の CacheDataset, SmartCache, Persistent などのインターフェースを選択可能で、メモリと速度のバランスを調整可能。
• トレーニングと最適化:
  • 標準モード: 設定されたハイパーパラメータで K 分割交差検証を実行。
  • 実験ベース最適化モード: Optuna を統合し、自動ハイパーパラメータ最適化（ベイズ最適化など）を実行。各トライアルで完全な K 分割検証を行い、目的関数を最大化する設定を探索。
• 評価と可視化:
  • 分類タスク（AUC, Accuracy, F1-score, 感度/特異度）および生存分析タスク（C-index）に対応。
  • 較正誤差（ECE, MCE, ACE）や Brier スコアなどの較正メトリクスも提供。
  • 混同行列、ROC 曲線、Kaplan-Meier 曲線、較正プロットなどの自動可視化。
  • Weights & Biases (W&B) と統合され、実験の追跡とリアルタイム監視が可能。

3. 主要な貢献 (Key Contributions)

1. 標準化されたモジュラーフレームワークの提供: 3D 医療画像分類タスクにおいて、開発の負担を軽減しつつ、柔軟性と再現性を両立させる統合プラットフォームを初めて提案。
2. 低コード・高柔軟性のバランス: 設定ファイルによる簡易操作（2 行コード）と、必要に応じたモジュールのカスタマイズ（「プラグイン」機能）を両立。
3. 医療データ特有の課題への対応: 欠損値処理、クラス不均衡（Focal Loss, Hill Loss, ASL など）、マルチモーダルデータ（CT+PET+ 線量分布など）の統合、臨床データとの融合を標準機能として実装。
4. 再現性と透明性の向上: 各モデルに対して設定ファイル（YAML）と評価結果を自動保存し、実験の完全な追跡と他者による再現を容易にする。
5. オープンソース実装: GitHub で公開され、NSCLC-Radiomics データセットを用いた実用例（性別分類タスク）を提供。

4. 結果 (Results)

• 実用例: The Cancer Imaging Archive (TCIA) の NSCLC-Radiomics データセット（胸部 CT、肺セグメンテーション、臨床データ）を用いた性別分類タスクで検証。
• モデル: デフォルトの ResNet-10 を使用。
• 性能: テストセットにおいて、性別の識別がほぼ完璧（高い精度）であり、かつ較正（Calibration）も良好であった。
• 効率性: 設定ファイルの変更のみで、異なるデータセットやタスク（例：頭頸部がん vs 肺がん、二値分類 vs 多毒性予測）への適用が可能であり、実装の再構築が不要であった。

5. 意義と将来展望 (Significance)

• 研究の効率化と標準化: 放射線腫瘍学分野において、異なる疾患部位やエンドポイント（例：口渇症、嚥下障害）に対する DL モデル開発を統一されたパイプラインで行うことを可能にし、手法間の比較を容易にした。
• コミュニティへの貢献: 医療 AI 研究者が、ゼロからモデルを実装する手間を省き、より重要な「モデルの設計」や「臨床的洞察」に集中できる環境を提供。
• 将来の拡張性:
  • マルチクラス分類、モデルの不確実性定量化（Uncertainty Quantification）、注意マップによる解釈可能性の向上。
  • モデルカードの自動生成によるドキュメントの標準化。
  • GUI による設定ファイル作成の支援。
• 限界と課題: 完全な再現性（ハードウェアや浮動小数点演算の差異による微細な違い）や、データ固有の前処理判断の自動化については、ユーザーの判断に委ねる必要がある点が残されている。

結論:
PR3DICTR は、3D 医療画像に基づく深層学習モデルの開発において、**「柔軟性」「標準化」「簡便性」**のバランスを取り、研究の再現性とスケーラビリティを大幅に向上させる画期的なフレームワークである。