技術的サマリー：WALDO – VLM ベースの分布外（OOD）検出のためのワッサーシュタイン整合局所化

1. 問題定義

医療画像における稀な病変の検出は、重要な臨床的課題である。教師あり物体検出モデルは既知のクラスでは良好に機能するが、訓練データに存在しない病変への一般化は本質的に失敗する。視覚言語モデル（VLM）はゼロショット推論能力を提供するが、現在の最先端 VLM は医療画像における異常の局所化に苦慮している。脳 MRI 用の NOVA ベンチマークにおいて、トップクラスの VLM は mAP@30 で 24.5–37.7% しか達成していない。

著者らは、現在の VLM ベースの局所化における 3 つの構造的限界を特定した：

1. 正常な文脈の欠如：VLM は「正常」な解剖学的構造の参照なしに異常を特定しようとする。これは、放射線科医に健康な症例を見せずに診断を求めると同様の状況である。
2. 参照の不整合：参照が提供される場合、ランダムサンプリングは解剖学的に不整合なビューをもたらすことが多く、一貫性のない比較を引き起こす。
3. 高い分散：VLM における確率的サンプリングは高い予測分散（標準偏差が mAP の 5% 超）をもたらす。言語タスク向けの既存の自己整合性手法は、空間的局所化には効果的に拡張できない。

2. 手法：WALDO

著者らは、ゼロショット局所化を比較推論問題として再定式化するトレーニングフリーのフレームワークWALDO（Distributional OOD のためのワッサーシュタイン整合局所化）を提案する。この手法は 3 つの段階で進行する：

A. エントロピー重み付きスライスワッサーシュタインによる分布類似性

グローバルな CLS トークンを使用する代わりに、WALDO はDINOv2（ViT-B/16）を用いてパッチレベルの埋め込みを抽出し、局所化に不可欠な空間構造を保持する。

• 指標：この手法は、クエリ画像のパッチ分布と参照となる健康画像との間のスライスワッサーシュタイン（SW）を計算する。
• 効率性：標準的なワッサーシュタイン距離の $O(T^3)$ という計算複雑性を回避するため、$M=100$ のランダム射影を使用し、複雑さを $O(TM \log T)$ に低減する。
• エントロピー重み付け：すべてのパッチが同等に情報豊富であるわけではない。この手法はパッチを局所エントロピー $H(\phi)$ で重み付けし、テクスチャのある領域（病変の可能性が高い）には高い重要性を、均質な背景には低い重みを割り当てる。
  $$SW^{(w)}_2(P, Q) = \left( \sum_{i=1}^T w_i \cdot (p^{(i)} - q^{(i)})^2 \right)^{1/2}$$

B. ゴリラックスゾーン参照選択

重要な理論的洞察として、参照の類似性と局所化精度との間に非単調な関係（「ゴリラックス効果」）が存在することである。

• 高類似性：解剖学的に一致しているが微妙な差異は、VLM の識別閾値以下に落ち、ノイズの多い予測（高い分散）をもたらす可能性がある。
• 低類似性：明らかな差異は、正常な解剖学的変異における誤検出（高いバイアス）につながる。
• 最適領域：中程度の類似性（30 パーセンタイル～70 パーセンタイル）を持つ参照は、バイアス - 分散のトレードオフを最小化する。
• 多様性：この「ゴリラックスゾーン」から、多様な解剖学的ビューを確保するために、決定性点過程（DPP）に似た反発サンプリングを用いて参照が選択される。

C. 差分プロンプティングと自己整合性集約

• プロンプティング：VLM には差分推論を行うようプロンプトが与えられる。「患者のスキャンを健康な参照と比較し... 異常に見える領域を特定せよ」。これは絶対的な異常検出ではなく、比較能力を活用する。
• 集約：$K$ 個の参照からの予測は、重み付き非最大抑制（NMS）によって集約される。各予測の信頼度は類似度距離で重み付けされ（$\tilde{c} = c \cdot \exp(-\lambda \cdot SW_2)$）、類似度の低い参照からの予測は重みが下がる。これにより予測分散は約 40% 削減される。

3. 主要な貢献

1. 最適輸送定式化：空間構造を保持しつつ $O(n \log n)$ の効率性で動作する、DINOv2 パッチ分布に対するエントロピー重み付きスライスワッサーシュタイン距離を用いた新規の参照選択メカニズム。
2. ゴリラックス効果の理論的記述：比較視覚推論におけるバイアス - 分散のトレードオフを最適化するのは「最も類似した」参照ではなく「中程度の類似性」を持つ参照であることを、理論的かつ実証的に実証し、直観に挑戦した。
3. 空間的自己整合性：信頼度重み付き NMS を介した空間的局所化への自己整合性の拡張により、予測分散を大幅に削減。
4. トレーニングフリー・パラダイム：微調整なしに動作するフレームワークにより、以前に未見の病変に対するゼロショット評価を可能にする。

4. 実験結果

実験は、脳 MRI ベンチマークNOVA（907 画像、281 種類の稀な病変）と、胸部 X 線VinDr-CXRのサブセットで行われた。

• NOVA 性能：Qwen2.5-VL-72Bを使用した場合、WALDO は43.5 ± 1.6% mAP@30を達成し、ゼロショットベースライン（36.4%）に対して19% の相対改善を示した。この改善は統計的に有意である（$p < 0.01$）。
• クロスモデル一般化：
  • GPT-4o：19.0% から 32.0% mAP@30 に改善（相対 +68%）。
  • Qwen3-VL-32B：20.4% から 32.0% mAP@30 に改善（相対 +57%）。
  • Gemini-2.0-Flash：18.1% から 38.0% mAP@30 に改善（相対 +110%）。
  • 注記：最大のモデルである Qwen3-VL-235B（MoE）は、わずかな性能低下（-12%）を示したが、著者らは参照コンテキストを処理する際の専門家のルーティング機構における潜在的な混乱をその原因として挙げている。
• VinDr-CXR：WALDO はすべてのモデルで一貫した改善を示した（例：Qwen3-32B は 12.8% から 34.1% mAP@30 に改善）が、X 線における拡散的な病変と解剖学的な重なりにより、MRI ほど絶対性能は高くなかった（24–35%）。
• アブレーション研究：
  • コサイン類似度をスライスワッサーシュタインに置き換えることが最大の改善（+6% mAP）をもたらした。
  • エントロピー重み付け、ゴリラックスサンプリング、自己整合性はそれぞれ漸進的な改善に寄与した。
  • 差分プロンプティングは、直接の異常検出プロンプトよりも +7% mAP 優れていた。

5. 意義と主張

本論文は、WALDO が医療画像における分布外（OOD）検出のための新たなパラダイムを代表すると主張している。その主な意義は、健康な参照画像の提供が、学習された疾患表現に依存するのではなく、コンテキスト内の解剖学的事前知識を介した VLM による差分診断を可能にすることを実証している点にある。

• 臨床的有用性：著者らは WALDO を一次診断ではなく、トリアージと注視点のガイダンスのためのツールとして位置づけており、非常に小さな病変（画像面積の 5% 未満）や拡散的な病変については依然として困難があることを指摘している。
• 効率性と精度：この手法は計算オーバーヘッドを追加する（マルチ画像プロンプティングにより推論時間が約 3 倍になる）が、モデルの学習やパラメータの更新なしに大幅な精度向上を達成する。
• モダリティの固有性：著者らは性能がモダリティによって異なることを認めており、この手法は脳 MRI（焦点性の強度変化）では優れているが、胸部 X 線（患者間の高い変動性と重なり合う構造）では課題に直面する。

この研究は、将来の方向性として臨床展開のための学習型エンドツーエンド参照選択と不確実性較正を含めることを示唆しているが、現状ではトレーニングフリーのゼロショット異常局所化のための強力なベースラインを確立している。