Understanding Model Behavior in Monocular Polyp Sizing

技術的サマリー：単眼ポリープサイズ推定におけるモデルの挙動理解

問題定式化
大腸ポリープサイズの正確な層別化は、臨床的な経過観察の意思決定において極めて重要であり、特に微小ポリープ（≤5 mm）とより緊密なフォローアップを要するポリープ（>5 mm）との区別が不可欠である。しかし、単眼内視鏡検査は、ピンホールカメラモデルの下では、ポリープの見かけの直径（$A$）が真の直径（$S$）とカメラ距離（$Z$）の関数（$A = fS/Z$）となるという、本質的な幾何学的スケールの曖昧性に悩まされている。計測可能な参照物が存在しない場合、至近距離から見た小さなポリープは、遠方から見た大きなポリープと視覚的に区別がつかない。

この曖昧性は、臨床検査の行動によってさらに増幅される。内視鏡医は、微小ポリープの状態を確認するために自然とカメラを近づけ、より大きな病変は広視野から観察する傾向がある。この行動は、自然な訓練データにおいて、見かけのスケールとサイズラベルの間に偽の相関を生み出す。その結果、自動化されたモデルは、真の幾何学的推論ではなく検査行動と相関する「ショートカット（近道）」に依存するようになり、展開環境が訓練分布と異なる場合に体系的な誤差が生じる。

手法と実験設定
著者らは、2 つの公共的・多施設データセット（Real-Colon および SUN-SEG）における二値ポリープサイズ分類（≤5 mm 対 >5 mm）の診断的監査を提示する。統合データセットには、159 人の患者から得られた 232 個の固有ポリープ（147 個が≤5 mm、85 個が>5 mm）が含まれる。データ漏洩を防ぐため、実験では患者層別化された 5 回交差検証を採用する。

本研究では、アーキテクチャとデータの寄与を分離するために、3 つの異なる入力モダリティとモデルファミリーを評価する：

1. 外観: マスク処理された RGB 画像で動作する ResNet18 と ViT-B。
2. 相対深度: PPSNet によって生成された相対深度マップで動作する 3 ブロック CNN（CNN3）。
3. 光度/幾何学: 51 の手作りの幾何学的および光度特徴量を使用する 2 層 MLP。

既存モデルの限界を診断するために、著者らは 3 つの標的介入を導入する：

• データモデルバイアス監査: モダリティとアーキテクチャ全体にわたる性能を比較し、収束点を特定する。
• 計測スケールラダー: 相対深度マップに対して、フレーム単位、ポリープ単位、およびグローバルな粒度で「オラクル（完全な情報）」スケール補正を適用する。これにより、完全な計測スケールが利用可能であった場合の理論的な性能向上を定量化する。また、市販の計測深度推定器（MetricCol）とグローバル較正係数も試験する。
• マスク品質の頑健性: 真のバウンディングボックスをセグメンテーションモデル（PolypPVT）による予測に置き換え、バウンディングボックスに摂動（±20%）を適用して、セグメンテーション誤差がサイズ推定タスクにどのように伝播するかを評価する。

主要な結果

1. 性能のプラトーとショートカット依存: 全てのアーキテクチャおよび入力モダリティ（RGB、相対深度、光度）において、モデルは Macro-F1 スコアが約 0.75 の類似した性能天井に収束する。MLP 特徴量の診断的分析により、モデルが「見かけのサイズ」（バウンディングボックス面積と画像面積の比率）に強く依存していることが明らかになった。これは、真のスケールと距離を混同していることを示す。このプラトーは、モデル容量の不足ではなく、計測情報の欠如と検査行動の手がかりへの依存によって引き起こされていると示唆される。
2. 既存の深度推定からの限定的な利益: フレーム単位のオラクルスケール情報を提供すると、性能が大幅に向上し（16.1 ポイント増加、0.725 から 0.886 へ）、スケールの曖昧性が解消されれば大きな余地が存在することを示している。しかし、既存の計測深度推定器（MetricCol）およびグローバル較正法は、臨床データにおいてこの利益を回復できず、相対深度のベースラインに対して無視できる程度の改善しか示さない。オラクルによる利益は、見かけのサイズが真の物理的サイズと矛盾する「ショートカット不整合」フレームに集中しており、これらのケースにおいてスケールの曖昧性が主要な失敗モードであることを確認する。
3. セグメンテーションの独立したボトルネック: セグメンテーション品質は、重要な独立したボトルネックとして機能する。異なるデータで訓練されたセグメンテーションモデルの予測に真のマスクを置き換えた場合、深度ベースのサイズ推定モデルの性能は 15.3 ポイント低下する（0.725 から 0.572 へ）。フレーム単位のオラクルスケールを使用しても、予測マスクを使用すると、性能はスケーリングされていないベースラインのレベル（0.736）までしか回復しない。これは、ドメイン内セグメンテーションベンチマークが、分布シフト下でのダウンストリームサイズ推定の頑健性を予測しないことを示している。
4. 光度の限界: 距離の代理変数として光度の手がかり（背景輝度）を使用する試みは失敗し、オラクルスケールによる余地のわずか 17% しか回復しなかった。これは、臨床用内視鏡の自動露出制御（Auto-Exposure Control）に起因しており、これは安定した明るさを維持するためにセンサーゲインを調整し、輝度と距離の間の逆二乗則の関係を破るものである。

意義と貢献
本論文は、単眼ポリープサイズ推定の進歩が、現在、3 つの独立した要因によって制限されていると主張している：正確なフレーム単位の計測スケールの欠如、ドメインシフト下でのセグメンテーションマスクの脆弱性、そして信頼性の高いサイズ注釈を備えた大規模・多施設データセットの不足である。

著者らは、本研究が将来の研究のための診断的枠組みを提供し、以下の再利用可能な評価ツールを提供すると主張している：

• オラクルスケールラダー: 完全なスケール情報が与えられた場合の性能の理論的上限を定量化するため。
• ショートカット分割: 検査行動が誤った手がかりを生み出すケースを分離・分析するため。
• マスク置換: 分割誤差に対するサイズ推定パイプラインの頑健性を監査するため。

本研究は、見かけのサイズが真のサイズと一致する場合には現在のモデルが適切に機能するが、臨床行動が矛盾を生み出す場合には著しく劣化することを結論づけている。将来の進展は、単にモデル容量をスケーリングするのではなく、臨床的に根拠のあるスケール参照（例えば、機器ベースのアンカー）、改善されたセグメンテーションの頑健性、およびデータ多様性の増加に依存する可能性が高い。コードとツールは、ポリープサイズ推定パイプラインのさらなる監査を促進するために公開されている。