Anatomy-Slot: Unsupervised Anatomical Factorization for Homologous Bilateral Reasoning in Retinal Diagnosis

技術的サマリー：両側網膜診断のための解剖学スロット

問題定義
網膜診断は本質的に両側の臨床タスクであり、臨床家は左右の眼における相同構造（例：視神経乳頭の非対称性）を比較して疾患を検出する。しかし、既存の深層学習モデルの多くは単眼表現に基づいて動作し、各眼を独立して扱う。著者らは、テクスチャベースの単眼分類が両側疾患の検出には不十分であり、臨床的に整合した性能を得るためには明示的な構造比較が必要であると仮説を立てている。両側モデリングと物体中心のスロット分解は文献上で個別に存在するが、それらが相同な解剖学的推論のための明示的対応単位として統合されたものが、統計的に制御された条件下で実証的に検証されたことはない。

手法：解剖学スロット
提案する解剖学スロット（Anatomy-Slot）フレームワークは、教師なし解剖学的ボトルネックを通じて明示的な眼間対応の仮説を実践化する。パイプラインは以下の構成要素からなる：

1. バックボーンとトークン化：両側眼底画像のペア $(x_L, x_R)$ が与えられると、モデルは共有された RETFound ViT-L バックボーンを利用してパッチトークンを抽出する。
2. 教師なし解剖学的因数分解（スロットアテンション）：各眼について、パッチトークンをスロットアテンション（$I=3$ 回の反復）を用いて $K$ 個の物体中心スロットに分解する。このプロセスは、スロットを学習可能なパラメータとして初期化し、競合型アテンション機構（スロット上の softmax、トークン上で再正規化）と GRU を介して更新することで、各眼あたり $S \in \mathbb{R}^{K \times D}$ のスロット表現の集合を生成する。
3. 双方向の眼間対応：相同構造を整合させるため、モデルは双方向のクロスアテンションを採用する。左眼のスロットが右眼のスロットをクエリし（逆も同様）、マルチヘッドクロスアテンション（$H=8$）を用いる。これにより、モデルは眼間でスロットを明示的に整合させ、対応を認識した表現を生成する。
4. 二重目的学習：モデルは結合された目的関数で訓練される：
   • 分類損失（$L_{cls}$）：疾患診断のための標準的な教師あり損失。
   • 再構成損失（$L_{recon}$）：各スロットがパッチごとの RGB 値とマスク対数オッズを予測する教師なし補助タスク。軽量デコーダが低解像度の RGB 画像を再構成する。この損失はスロット学習を安定させ、スロットの崩壊を防ぐ。
   • 総目的関数：$L = L_{cls} + 0.5 L_{recon}$。
5. 訓練プロトコル：スロットモジュールは、約 2 万枚のラベルなし網膜画像のプール上で教師なし事前学習を受ける。ターゲットデータセットでの教師あり微調整中は、最後の ViT ブロックとレイヤーノーマライゼーションパラメータのみを凍結解除し、スロット反復回数を 3 に削減する。

主な貢献

• アーキテクチャ：スロットが対応単位として機能し、クロスアテンションが明示的な眼間情報交換を促進する、新規の両側スロットベースアーキテクチャ。
• 統計的厳密性：統計的有意性を確保するための、$n=10$ の独立したシード、95% 信頼区間、および非パラメトリック対検定（ウィルコクソンの符号順位検定）を含む堅牢な評価プロトコル。
• メカニズム分析：対応への依存性を探る包括的なテスト。ペアリング破壊実験、ガウスノイズ下でのストレステスト、および視神経乳頭グラウンディングの定量的分析を含む。

結果
ODIR-5Kデータセット（両側マルチラベル診断）で評価したところ、本手法は一致したベースラインに対して有意な改善を示した：

• 性能：解剖学スロットはマクロ AUC 0.865 を達成し、一致した ViT-L ベースライン（0.823）に対して4.2% の改善を示した。この改善は統計的に有意である（$W=0, p=0.002$）。
• アブレーション研究：
  • スロットなしの両側処理はわずかな gain（0.828 AUC）しか生じない。
  • 眼間相互作用なしのスロット分解は性能が劣る（0.754 AUC）。
  • 再構成損失を除去するとスロット崩壊が発生し、性能は 0.729 AUC に低下する。
  • 完全モデルの性能は $K=8$ のスロットでピークに達する。スロット数が少ないと解剖学が過小評価され、多いと対応が希薄化する。
• 対応依存性：左右ペアリングが破壊された場合（評価中にシャッフル）、解剖学スロットの性能は18.3 ポイント（0.865 から 0.682）低下するのに対し、ベースラインはわずか 3.2 ポイントしか低下しない。これはモデルが相同な構造マッチングに依存しているという仮説を支持する。
• 頑健性：ガウスノイズ下（$\sigma=0.2$）において、解剖学スロットは AUC 0.685 を維持し、ベースライン（0.578）および「スロットなし」バリアント（0.595）を上回る。
• グラウンディング：REFUGEデータセット（ゼロショット転移）において、スロット 1 を用いた視神経乳頭局所化で平均交差和（mIoU）0.635を達成し、K-Means 特徴クラスタリングベースライン（0.452）を大幅に上回った。
• 分離性：最終的な表現空間におけるフィッシャー比は、ベースラインの 0.85 から解剖学スロットの 1.62 に増加し、クラス分離性の向上を示している。

意義と主張
本論文は、教師なし解剖学的因数分解による眼間対応の明示的モデリングが、網膜疾患検出における診断性能を大幅に向上させることを主張する。結果は、性能向上が両側処理やスロット分解単独ではなく、構造化された物体中心スロットと眼間整合の組み合わせに由来することを示唆している。

著者らは、この研究を「臨床的に整合した網膜 AI」への一歩として位置づけ、モデルが教師なしで相同な解剖学的マッチングに依存することを学習できることを実証している。メカニズム分析（ペアリング破壊、アテンション局所化）は、モデルの挙動が相同構造を比較する臨床推論プロセスと整合していることを示す証拠を提供する。著者らは、主に単一データセットでの評価や臨床的不整合に対するさらなるテストの必要性といった限界を認めているが、このアプローチが解釈可能な診断支援システムへの道を開くと結論づけている。